Il existe bien sûr un risque pour l’approche LTM multifonctionnelle : une défaillance d’un modèle largement déployé pourrait avoir des conséquences à l’échelle du système, ce qui explique en partie la stratégie de Mastercard consistant à appliquer sa technologie aux côtés des systèmes de détection existants – du moins pour le moment.
Mastercard espère augmenter l’ampleur des données utilisées sur le modèle et sa sophistication globale. Il prévoit également un accès aux API et aux SDK pour permettre aux équipes internes de créer de nouvelles applications.
Le billet de blog met l’accent sur les responsabilités du LTM en matière de données, en mentionnant la confidentialité et la transparence, l’explicabilité du modèle et l’auditabilité. Il faut s’attendre à un examen réglementaire de tout système qui influence les décisions de crédit ou les résultats de la fraude, en plus de toutes les pratiques en matière de données impliquées dans le fonctionnement du LTM.
Les données hautement structurées, par opposition au texte ou aux images, sont au cœur du LTM. Les grands modèles tabulaires pourraient marquer le début d’une nouvelle génération de systèmes d’IA dans l’infrastructure bancaire et de paiement de base. À ce jour, les preuves restent limitées aux rapports des fournisseurs, de sorte que toute allégation de performance ne doit pas nécessairement être considérée comme concluante.
La robustesse dans des conditions contradictoires, les coûts post-formation à long terme et l’acceptation réglementaire sont autant de questions sur lesquelles les modèles tabulaires peuvent échouer ou prospérer. Ces facteurs détermineront le rythme et l’étendue de l’adoption, mais c’est le domaine du tableau sur lequel Mastercard place actuellement certains de ses paris.
(Source de l’image : « Oversight » par la page officielle du Corps des Marines des États-Unis est sous licence CC BY-NC 2.0.)
