Финансовые учреждения годами создавали ИИ: модели мошенничества, кредитные модели, рекомендательные системы и системы управления рисками. Хотя эта разрозненная совокупность моделей, предназначенных для конкретных задач, была эффективной, её также ограничивали изолированные системы.
Изолированные системы мешают учреждениям формировать единое понимание финансового поведения потребителей. Поскольку корпоративные наборы данных продолжают расти, разрыв между тем, что учреждения знают, и тем, что их ИИ может анализировать, увеличивается — создавая серьёзную возможность для отрасли создавать интеллект с использованием собственных данных.
Отчёт NVIDIA «Состояние ИИ в финансовых услугах 2026» показывает, что 65% учреждений уже используют ИИ, почти 90% внедряют или оценивают его, и почти все сохраняют или увеличивают расходы. Но с масштабированием ИИ растёт и сложность, а фрагментированные архитектуры моделей становятся ограничивающим фактором.
Ведущие компании решают эту проблему, переосмысливая саму архитектуру. Там, где отрасль когда-то полагалась на статистические алгоритмы и алгоритмы машинного обучения, созданные под каждое направление бизнеса, теперь транзакционные фундаментальные модели на основе трансформеров позволяют изучать единое унифицированное представление о поведении потребителей, обученное исключительно на собственных данных.
Транзакционные фундаментальные модели — это крупномасштабные системы ИИ, обученные на миллиардах финансовых событий (таких как платежи, переводы, взаимодействия с продуктами и поведенческие сигналы), которые преобразуют сырые данные в интеллект, помогая компаниям лучше обслуживать своих клиентов.
Это структурный сдвиг. Традиционная модель мошенничества оценивает изолированные сигналы. Фундаментальная модель интерпретирует поведение в контексте, где значение имеют время, устройство, местоположение и предыдущая активность. Более того, она приносит мощь архитектур трансформеров к табличным данным, извлекая сигналы, ранее невидимые для традиционных алгоритмов.
Платёж в полночь означает нечто иное, когда это четвёртый платёж за 10 минут, с незнакомого устройства, в городе, где клиент никогда раньше не совершал транзакций. Такая контекстная глубина улучшает производительность в разных задачах, а не только внутри каждой из них.
В сотрудничестве с NVIDIA Revolut создала PRAGMA — семейство фундаментальных моделей на основе трансформеров, обученных на 24 миллиардах событий по 26 миллионам записей пользователей из более чем 100 стран. Работая на полном стеке ИИ NVIDIA — включая графические процессоры NVIDIA Hopper, библиотеку NVIDIA cuDF и открытые модели NVIDIA Nemotron — на облаке Nebius, одна фундаментальная модель превосходит сильные модели для конкретных задач в таких областях, как кредитный скоринг, обнаружение мошенничества и продуктовые рекомендации, снижая при этом зависимость от ручного создания признаков.
«Мы перешли от нескольких недель, а в некоторых случаях даже месяцев, на инжиниринг признаков к тому, что время для этого вообще не требуется», — сказал Тадас Кришчюнас, руководитель отдела науки о данных по групповому кредитованию в Revolut.
Любое учреждение теперь может применить этот подход, используя новый пример для разработчиков от NVIDIA «Создайте свою собственную транзакционную фундаментальную модель», который позволяет командам начинать создавать эмбеддинги трансформеров на табличных транзакционных данных — интегрируя их в существующие конвейеры без перестройки с нуля.
Цена фрагментации
Проблема не в сегодняшних моделях, а в траектории развития. Каждый новый сценарий использования добавляет ещё одну модель. Каждый новый рынок требует дообучения. Модели, которые не могут обмениваться контекстом, оставляют ценность на столе.
Mastercard разрабатывает собственную крупномасштабную табличную фундаментальную модель для платежей, обученную на миллиардах анонимизированных транзакций сегодня и предназначенную для масштабирования до сотен миллиардов по дополнительным наборам данных, включая мошенничество, авторизацию, возвратные платежи, местоположение торговых точек и данные о лояльности.
Созданная с использованием возможностей NVIDIA, AWS и Databricks — включая открытую библиотеку NVIDIA NeMo AutoModel, часть фреймворка NVIDIA NeMo, и ускоренные вычисления — модель призвана снизить зависимость от множества моделей ИИ в разных рынках, клиентах и сценариях использования. Раннее тестирование показывает, что она превосходит стандартные методы машинного обучения с многообещающими применениями в кибербезопасности, обнаружении мошенничества, лояльности, персонализации, оптимизации портфеля и аналитике.
Adyen также развернула транзакционные фундаментальные модели в масштабе, обрабатывая триллион долларов в платежах. Используя обучение с подкреплением, Adyen максимизирует конверсию и минимизирует риски для продавцов.
«Даже частичные улучшения, такие как повышение авторизации на 0,1%, могут привести к огромному дополнительному объёму валовой стоимости товаров и значительному снижению затрат», — сказал Дхрув Гулути, главный менеджер по продуктам ИИ в Adyen.
Семантический уровень для агентной коммерции
Сорок два процента финансовых компаний уже используют или оценивают агентный ИИ. Поскольку эти системы начинают выполнять транзакции — такие как управление подписками, маршрутизация платежей и совершение покупок — природа финансового поведения меняется.
Stripe использует платформу NVIDIA и AWS для создания фундаментальных моделей, которые понимают полный контекст транзакционного поведения, а не реагируют на отдельные сигналы — блокируя почти 112 миллиардов долларов мошенничества в прошлом году и обеспечивая среднее снижение уровня мошенничества на 38%.
Транзакционные данные — это собственная история, которую конкуренты не могут воспроизвести. Данные уже существуют. Архитектура доказана. Инфраструктура готова.
Масштабирование через экосистемных партнёров
Пример для разработчиков «Создайте свою собственную транзакционную фундаментальную модель» доступен клиентам для запуска на Amazon Web Services (AWS), развёртывания с Amazon SageMaker HyperPod, а также на облачной платформе Nebius AI Cloud — работающей на ускоренных вычислениях NVIDIA.
Nebius AI Cloud поддерживает полный жизненный цикл транзакционных фундаментальных моделей — от развёртывания примера для разработчиков до многодугового обучения и управляемого вывода на Token Factory — на основе ускоренных вычислений NVIDIA.
Компании финансовых услуг также могут работать с партнёрами EXL, Infosys, GFT IT Consulting и Thoughtworks, чтобы применить пример для разработчиков к своим конкретным сценариям использования.
EXL интегрирует транзакционные фундаментальные модели в свою платформу EXLerate.ai, чтобы объединить разрозненные финансовые данные в масштабируемый уровень корпоративного интеллекта на основе собственных транзакционных данных. В сотрудничестве с NVIDIA EXL использует эту архитектуру, чтобы помочь финансовым учреждениям ускорить разработку моделей, улучшить контекстное принятие решений и внедрить агентный ИИ в масштабе.
Thoughtworks помогает финансовым учреждениям внедрять транзакционные фундаментальные модели в сложных банковских средах, интегрируя их в платёжные, сервисные и риск-процессы, одновременно устанавливая необходимое управление и операционные модели ИИ. Компания представит демонстрацию и презентацию о транзакционных фундаментальных моделях на предстоящем саммите AWS в Нью-Йорке в среду, 17 июня.
GFT IT Consulting интегрирует транзакционные фундаментальные модели в свои флагманские решения: Wynxx — агентную ИИ-платформу, используемую более чем 100 финансовыми учреждениями для безопасного внедрения ИИ в таких областях, как кредитный риск, и Smaragd — механизм соответствия требованиям, который снижает количество ложных срабатываний до 75% для крупных банков.
Присоединяйтесь к NVIDIA на Money20/20 Europe со 2 по 4 июня, чтобы узнать, как транзакционные фундаментальные модели питают следующее поколение ИИ в финансовых услугах.
Изучите пример для разработчиков «Создайте свою собственную транзакционную фундаментальную модель» на build.nvidia.com.