Por que bancos e fintechs estão migrando para Transaction Foundation Models

Modelos de Fundação de Transação (TFMs), ou Transaction Foundation Models, representam uma evolução significativa na aplicação de inteligência artificial no setor financeiro, superando os desafios impostos pelos sistemas legados e modelos de IA fragmentados. Enquanto os modelos tradicionais de IA eram desenvolvidos para tarefas específicas, como detecção de fraudes ou análise de crédito, os TFMs são sistemas de IA em larga escala treinados em bilhões de eventos financeiros. Isso inclui pagamentos, transferências, interações com produtos e sinais comportamentais, permitindo uma compreensão unificada e contextualizada do comportamento financeiro dos consumidores.

A principal inovação dos TFMs reside na sua capacidade de interpretar o comportamento em contexto, considerando fatores como tempo, dispositivo, localização e atividade prévia, o que modelos anteriores de fraude, por exemplo, não conseguiam fazer ao focar em sinais isolados. Estes modelos utilizam arquiteturas transformadoras para dados tabulares, extraindo sinais que antes eram invisíveis aos algoritmos tradicionais. Exemplos notáveis incluem o PRAGMA da Revolut, um modelo treinado em 24 bilhões de eventos de 26 milhões de usuários em mais de 100 países, que demonstrou melhorias substanciais em pontuação de crédito, detecção de fraude e recomendação de produtos a partir de uma única base pré-treinada. Outros exemplos incluem o Large Transaction Model (LTM) da Mastercard e as iniciativas da Plaid para construir modelos de fundação transacionais para uma compreensão mais profunda da atividade financeira.

A convergência para os Transaction Foundation Models é crucial para instituições financeiras porque endereça a limitação fundamental de uma visão fragmentada do cliente. Historicamente, bancos e empresas de pagamentos construíram inúmeros modelos específicos para fraude, crédito, marketing, entre outros, cada um operando em silos com seus próprios dados e lógicas. Essa abordagem, embora eficaz para problemas pontuais, impede uma compreensão holística do cliente e do movimento do dinheiro. Os TFMs criam uma camada de representação compartilhada e reutilizável, que aprende a “linguagem do movimento do dinheiro”, transformando dados transacionais brutos em inteligência empresarial que pode ser aplicada em múltiplos casos de uso, desde a otimização de pagamentos até a personalização da experiência do cliente.

Além de uma visão unificada, os TFMs impulsionam a detecção de fraudes para um nível proativo e adaptativo, movendo-se de sistemas reativos baseados em regras para defesas que identificam ameaças emergentes em tempo real. Eles também aprimoram a pontuação de crédito, a recomendação de produtos e a conformidade regulatória, reduzindo falsos positivos e acelerando investigações. Empresas como a NVIDIA e a AWS estão fornecendo as ferramentas e plataformas para que as instituições financeiras possam construir seus próprios TFMs, integrando-os em infraestruturas existentes e acelerando o desenvolvimento de modelos com IA agentic em escala.

Para desenvolvedores e equipes de tecnologia, a adoção de Transaction Foundation Models significa uma mudança estratégica na arquitetura de IA. Em vez de construir modelos do zero para cada nova funcionalidade, os desenvolvedores podem focar na adaptação leve de uma base de modelo já pré-treinada. Isso resulta em maior agilidade, redução do tempo de desenvolvimento e melhoria automática do desempenho em diversas aplicações à medida que o modelo central é aprimorado. A NVIDIA, por exemplo, oferece um exemplo de desenvolvedor para construir embeddings de transformadores em dados tabulares transacionais, facilitando a integração em pipelines existentes.

No entanto, a implementação de TFMs apresenta desafios consideráveis, como a necessidade de lidar com a heterogeneidade dos dados financeiros, garantir baixa latência para APIs em tempo real e assegurar a interpretabilidade e explicabilidade dos modelos para atender às exigências regulatórias, como GDPR e MiFID II. A privacidade e a segurança dos dados são preocupações críticas, impulsionando a pesquisa em abordagens como o aprendizado federado e a geração de dados sintéticos para treinamento sem expor informações sensíveis dos clientes. Além disso, a coordenação da infraestrutura e a padronização de protocolos são essenciais para que os agentes de IA possam transacionar em ambientes de confiança zero.