NVIDIA交易基础模型构建方案：用Transformer赋能金融智能

每一次刷卡、转账和支付都编码了人类行为的模式。交易数据是企业拥有的最丰富的信号之一，但大多数生产用例仍然依赖于手工构建的特征和规则集——这些方法脆弱、维护成本高且无法捕捉客户历史中的序列结构。基础模型通过在海量无标签交易序列上进行预训练，生成通用的金融行为表征，可迁移到欺诈检测、信用评分、生命周期价值预测、客户细分等广泛的下游任务。

NVIDIA的交易基础模型构建方案提供了一个端到端的参考实现：利用cuDF在GPU上进行加速数据处理，通过自定义域分词器将每笔交易转换为约12个语义Token（相比通用BPE分词器的39个Token，效率提升3倍以上），使用NeMo AutoModel预训练解码器Transformer模型，并最终通过提取的嵌入向量增强下游分类器。在IBM TabFormer欺诈数据集上的测试表明，将基础模型嵌入与原始特征结合，可将平均精确率（AP）提升近50%。多家领先金融科技公司已采用类似方案——Stripe、Nubank、Visa、Mastercard和Revolut都在构建自己的交易基础模型，这一方法正在成为金融AI的主流范式。