Instituțiile financiare trec de la modele AI izolate la „transaction foundation models” antrenate pe date proprii - NVIDIA susține că arhitectura unificată reduce fragmentarea și poate îmbunătăți performanța pe mai multe sarcini

Instituțiile financiare își mută arhitectura de AI către „modele fundamentale” antrenate pe tranzacții , pentru a reduce fragmentarea generată de zeci de modele specializate și pentru a obține o înțelegere unificată a comportamentului clienților, potrivit NVIDIA . Miza operațională este simplă: pe măsură ce AI se extinde în tot mai multe procese, costul și complexitatea întreținerii unor sisteme „în silozuri” devin factorul limitativ. În analiza companiei, instituțiile au construit în timp modele separate pentru fraudă, credit, recomandări și risc, eficiente punctual, dar greu de conectat între ele. Pe fondul creșterii volumelor de date, apare un decalaj între „cât știu” organizațiile din datele lor și „cât poate raționa” AI-ul peste aceste date, tocmai din cauza arhitecturilor fragmentate. De ce contează: un singur model, mai multe utilizări NVIDIA descrie „modelele fundamentale de tranzacții” ca sisteme de AI de mare amploare, antrenate pe miliarde de evenimente financiare (plăți, transferuri, interacțiuni cu produse și semnale comportamentale), care transformă datele brute în „inteligență” reutilizabilă în mai multe sarcini. Diferența față de un model clasic (de exemplu, unul de fraudă) este interpretarea în context: momentul, dispozitivul, locația și istoricul anterior schimbă semnificația unei tranzacții. Publicația leagă această schimbare de maturizarea arhitecturilor de tip „transformer” (familie de modele folosită pe scară largă în AI generativ), aplicate aici pe date tabelare (tranzacții), pentru a extrage semnale care ar rămâne invizibile în algoritmi tradiționali. Semnal din piață: investițiile în AI cresc, dar crește și complexitatea Conform raportului 2026 State of AI in Financial Services , citat de companie, 65% dintre instituții folosesc deja AI, aproape 90% o implementează sau o evaluează, iar „aproape toate” își mențin sau își cresc bugetele. În acest context, NVIDIA susține că nu lipsa de cazuri de utilizare este problema, ci traiectoria: fiecare caz nou adaugă încă un model, fiecare piață nouă cere reantrenare, iar lipsa contextului comun „lasă valoare pe masă”. Exemple de implementare: Revolut, Mastercard, Adyen, Stripe NVIDIA oferă câteva repere despre cum arată această tranziție în practică: Revolut a construit, împreună cu NVIDIA, PRAGMA , o familie de modele de tip transformer antrenate pe 24 de miliarde de evenimente din 26 de milioane de înregistrări de utilizatori, în peste 100 de țări, conform lucrării PRAGMA . Compania susține că un singur model a depășit modele specializate pe domenii precum scorare de credit, detecție de fraudă și recomandări de produse și a redus dependența de „caracteristici” construite manual (feature engineering). „Trecem de la săptămâni, sau chiar în unele cazuri luni, de inginerie de caracteristici la un timp zero necesar pentru asta”, a declarat Tadas Kriščiūnas, head of group credit data science la Revolut. Mastercard dezvoltă un model fundamental tabelar proprietar pentru plăți, antrenat pe miliarde de tranzacții anonimizate și proiectat să scaleze la sute de miliarde, extinzând seturile de date (fraudă, autorizare, chargeback, locația comerciantului, loialitate). NVIDIA notează că modelul este construit cu capabilități de la NVIDIA, AWS și Databricks, inclusiv NVIDIA NeMo AutoModel din cadrul NVIDIA NeMo , și că testele timpurii arată performanțe peste tehnici standard de machine learning. Adyen ar fi implementat astfel de modele „la scară”, procesând 1 trilion de dolari (aprox. 4,6 trilioane lei) în plăți. Compania folosește învățare prin recompensă (reinforcement learning) pentru a maximiza conversia și a minimiza riscul, iar NVIDIA citează impactul potențial al unor îmbunătățiri marginale: „Chiar și îmbunătățiri fracționare, precum un plus de 0,1% la autorizare, se pot traduce în creșteri masive ale valorii brute a mărfurilor și reduceri substanțiale de costuri”, a declarat Dhruv Ghulati, principal AI product manager la Adyen. Stripe folosește platforma NVIDIA și AWS pentru modele care „înțeleg contextul complet” al comportamentului tranzacțional; compania ar fi blocat anul trecut aproape 112 miliarde de dolari (aprox. 515 miliarde lei) în fraudă și ar fi obținut o reducere medie de 38% a ratelor de fraudă, potrivit materialului. Ce urmează: „modelul de referință” NVIDIA și ecosistemul de implementare Pentru a accelera adopția, NVIDIA indică un exemplu de dezvoltare numit Build Your Own Transaction Foundation Model , care ar permite echipelor să înceapă construirea de „embedding-uri” (reprezentări numerice învățate de model) pe date tranzacționale tabelare și să integreze rezultatul în fluxuri existente, fără reconstrucție completă. Rularea este prezentată ca posibilă pe AWS (cu SageMaker HyperPod) și pe Nebius AI Cloud, iar NVIDIA enumeră și parteneri de servicii (EXL, Thoughtworks, GFT IT Consulting) care ar integra sau operaționaliza astfel de modele în medii bancare, inclusiv pentru guvernanță și modele de operare AI. [...]