Финорганизации переходят на трансформерные transaction foundation models, чтобы объединить разрозненные AI‑системы

Финансовые организации всё активнее переходят на масштабные трансформерные «transaction foundation models», чтобы объединить фрагментированные AI‑системы и ускорить развитие аналитики и продуктов. Это изменение — ответ на растущую сложность проектов и стремление создать единое контекстное представление клиентов, что в итоге влияет на кредитный скоринг, обнаружение мошенничества и рекомендации. Отчёт 2026 State of AI in Financial Services фиксирует ключевые тренды: 65% финансовых учреждений уже используют ИИ, почти 90% либо развертывают, либо оценивают его, а подавляющее большинство сохраняет или увеличивает расходы на ИИ. По мере масштабирования проектов фрагментированные, стоечно ориентированные модели стали узким местом, поскольку они плохо переносят сигналы между задачами и требуют ручного конструирования признаков.

Практическая эффективность подхода видна на примере Revolut: компания создала семейство трансформер‑моделей PRAGMA, обученных на 24 миллиардах событий и 26 миллионах пользовательских записей более чем в 100 странах. PRAGMA работала на стеке NVIDIA — Hopper GPU, библиотеке cuDF и открытой модели Nemotron — и была развёрнута через облако Nebius; единая модель превзошла сильные специализированные подходы в задачах кредитного скоринга, обнаружения мошенничества и рекомендаций.

Аналогичные проекты ведут и платёжные экосистемы: Mastercard разрабатывает модель для платежей, обучаемую на миллиардах анонимизированных транзакций и рассчитанную на масштабирование до сотен миллиардов записей с учётом данных по мошенничеству, авторизациям, чарджбекам, геолокации торговцев и программам лояльности. Проект создаётся при участии NVIDIA, AWS и Databricks с использованием NeMo AutoModel; ранние тесты показывают преимущество над традиционными методами. Adyen уже применяет такие модели в масштабе компании, обрабатывая около $1 трлн платежей.

Для разработчиков и команд данных переход означает конкретные изменения в рабочих практиках: унификация контекстного представления клиентов улучшает переносимость сигналов между задачами и сокращает потребность в ручном фичеринге. По словам Тадаса Кришчиунаса, главы групп кредитной науки в Revolut, время на feature engineering сократилось «от недель или месяцев до практически нулевого». NVIDIA также опубликовала пример Build Your Own Transaction Foundation Model, который показывает, как начать строить трансформерные эмбеддинги для табличных транзакционных данных и интегрировать их в существующие пайплайны.

Вместе с выгодами у перехода очевидны ограничения: для воспроизведения эффекта нужны масштабные приватные датасеты, значимые вычислительные ресурсы (ускорители типа Hopper GPU и оптимизированные библиотеки) и плотная интеграция с операционными потоками данных. Снижение фрагментации моделей может уменьшить операционные издержки и повысить качество задач по всей экосистеме, но реализация остаётся ресурсно и организационно затратной задачей.