NVIDIA 發佈交易基礎模型構建方案：用 Transformer 賦能金融智能 NEWS DETAIL

每一次刷卡、轉賬和支付都在現代金融網路上編碼著人類行為模式。交易資料是企業擁有的最豐富信號之一，然而大多數生產級用例仍依賴手工特徵工程和規則集——這些方案脆弱、維護成本高，且無法捕捉客戶歷史中的序列結構。

NVIDIA 發佈的"構建您自己的交易基礎模型"開發者示例，展示了如何利用加速計算端到端構建交易基礎模型。該工作流涵蓋五個關鍵步驟：使用 NVIDIA cuDF 進行 GPU 加速資料處理、基於 cuDF 和 cuML 的自定義分詞、使用 NVIDIA NeMo AutoModel 從零開始預訓練 Transformer 解碼器模型、提取學習到的嵌入向量，以及利用嵌入增強下游欺詐分類器。

最終可在 IBM TabFormer 欺詐資料集上實現相對於強 XGBoost 基線近 50% 的平均精度提升。這一成果表明，基礎模型通過在大規模無標注交易序列上預訓練，能夠生成通用的金融行為表徵，適用於欺詐檢測、信用評分、生命週期價值預測、客戶分群等多種下游任務。

行業信號已經非常強烈：Stripe 的支付基礎模型、Nubank 的 NuFormer、Visa 的 TransactionGPT、Mastercard 的大表格模型、Revolut 的 PRAGMA 以及 Plaid 的交易基礎模型等，均報告在生產規模任務上實現了兩位數百分比的提升。NVIDIA 的這套方案為更多金融機構提供了構建自有交易基礎模型的完整技術路徑。