NVIDIA mengumumkan alur kerja pengembang untuk membangun model dasar transaksi yang mempelajari pola perilaku dari riwayat transaksi keuangan skala besar untuk mendukung deteksi penipuan dan kasus penggunaan analitik terkait.

Kerangka kerja ini menggabungkan pemrosesan data yang dipercepat GPU dengan tokenisasi khusus dan pra-pelatihan transformer. Embedding yang dipelajari diekstrak dari urutan transaksi dan digunakan kembali di seluruh aplikasi pembelajaran mesin hilir.

Pengujian pada dataset penipuan IBM TabFormer menunjukkan bahwa penggabungan embedding model dasar dengan fitur tabular tradisional meningkatkan kinerja dibandingkan dengan baseline XGBoost yang kuat. Presisi Rata-rata meningkat sekitar 42%, menunjukkan kemampuan pemeringkatan penipuan yang lebih kuat.

Alur kerja ini dirancang agar dapat diadaptasi di berbagai tugas keuangan, memungkinkan pengembang untuk menyesuaikan pipeline tokenisasi, arsitektur model, dan tujuan hilir seperti segmentasi pelanggan, penilaian kredit, prediksi churn, dan estimasi nilai seumur hidup.