NVIDIA蓝图展示如何构建用于金融交易的AI模型

NVIDIA发布了一份详细的开发者蓝图，介绍如何构建交易基础模型（TFM），这是一类优化用于分析金融交易数据的AI系统。这些模型旨在支持如欺诈检测、信用评分和个性化金融洞察等应用案例，标志着AI在结构化金融数据应用上的进一步发展。

TFM使用了Transformer架构，与大型语言模型（LLM）背后的技术类似，但专为表格和序列化交易数据量身定制。NVIDIA的指南引导开发者如何在数十亿交易数据上预训练模型，并将其适配到下游任务。据公司称，遵循这一工作流程能使欺诈检测的平均精度（AP）相比传统模型提高近50%。

为什么重要

金融机构正越来越多地转向TFM以从交易数据中提取更丰富的洞察。与传统基于规则的系统不同，TFM能够学习大量交易序列之间的关系，捕捉可能表明欺诈、信用能力或消费者行为的上下文。例如，一系列小额购买后紧接一笔高额交易可能会标记为潜在欺诈——这是旧模型很容易忽略的模式。

对TFM的推动正在加速。像Mastercard和Plaid这样的主要参与者最近推出了自己的交易基础模型，而Adyen披露其AI模型是在51万亿个令牌上进行训练的，以增强欺诈检测能力。NVIDIA的蓝图标准化了这一过程，使更多金融公司能够轻松采用。

工作流程

NVIDIA的TFM指南概述了一个五步流程：

• 数据准备：使用如NVIDIA的cuDF库等GPU加速工具高效处理交易数据集。
• 自定义分词：将交易数据分词为语义单元，减少冗余同时保留关键行为信号。
• 模型预训练：使用NVIDIA的NeMo框架训练一个Transformer解码器，该框架专为大规模AI开发优化。
• 嵌入提取：为下游任务生成固定长度的交易历史向量表示。
• 任务微调：将嵌入与传统特征结合，以提高如欺诈检测等任务的性能。

在使用IBM TabFormer欺诈数据集的基准测试中，NVIDIA报告称，结合TFM嵌入与传统特征相比，仅使用传统特征提升了41.76%的平均精度（AP）。

Transformer与金融数据

Transformer在分析序列方面表现出色，这使其特别适合交易历史。例如，一个简单的序列如“工资存入、房租支付、杂货购买”提供了静态表格数据无法捕捉的行为上下文。Transformer中的自注意力机制允许模型突出显示相关模式，例如旅行期间的异常消费。

TFM补充了其他金融AI方法，例如分析账户和商户之间关系的图神经网络（GNN）。这些方法结合起来为金融活动提供了更全面的视角。

行业影响

随着TFM的普及，它们代表了向可以在金融操作中发挥多种用途的统一AI系统的转变。这反映了AI领域的更广泛趋势，基础模型在大规模数据集上训练后再针对特定任务进行微调。对于金融机构而言，这意味着提高效率——一个模型即可处理欺诈预防、客户细分和合规监控。

通过提供这一蓝图，NVIDIA将自己定位为金融AI生态系统的关键基础设施提供商。随着采纳的增长，成功实施TFM的公司可能在欺诈检测和运营扩展等领域获得竞争优势。

接下来是什么？

NVIDIA的指南现已提供，开发者可以通过GitHub或NVIDIA的Launchable平台访问完整的工作流程。随着Mastercard、Plaid和Adyen等主要参与者已经在这一领域投入巨资，金融行业部署TFM的竞争可能会加剧。对于交易员和投资者来说，这一趋势表明对AI驱动的金融技术的信心增加，这可能会重塑行业的竞争格局。