NVIDIA交易基礎模型構建方案：用Transformer賦能金融智能

每一次刷卡、轉賬和支付都編碼了人類行為的模式。交易資料是企業擁有的最豐富的信號之一，但大多數生產用例仍然依賴於手工構建的特徵和規則集——這些方法脆弱、維護成本高且無法捕捉客戶歷史中的序列結構。基礎模型通過在海量無標籤交易序列上進行預訓練，生成通用的金融行為表徵，可遷移到欺詐檢測、信用評分、生命週期價值預測、客戶細分等廣泛的下游任務。

NVIDIA的交易基礎模型構建方案提供了一個端到端的參考實現：利用cuDF在GPU上進行加速資料處理，通過自定義域分詞器將每筆交易轉換為約12個語義Token（相比通用BPE分詞器的39個Token，效率提升3倍以上），使用NeMo AutoModel預訓練解碼器Transformer模型，並最終通過提取的嵌入向量增強下游分類器。在IBM TabFormer欺詐資料集上的測試表明，將基礎模型嵌入與原始特徵結合，可將平均精確率（AP）提升近50%。多家領先金融科技公司已採用類似方案——Stripe、Nubank、Visa、Mastercard和Revolut都在構建自己的交易基礎模型，這一方法正在成為金融AI的主流範式。