В новом выпуске подкаста «The Cognitive Revolution» ведущий Натан Лабенц обсуждает с Эмили Сэндс, главой отдела данных и ИИ в Stripe, как финансовый гигант переосмысливает индустрию платежей. В центре внимания — создание собственной фундаментальной модели платежей (Payments Foundation Model), которая превращает транзакционные данные в «суперсилу» для борьбы с фродом и оптимизации глобальной экономики.
💳 Фундаментальная модель платежей: ИИ в специфической модальности 8:30
Одной из самых амбициозных разработок Stripe стала «Payments Foundation Model». Эмили Сэндс объясняет, что в отличие от классических языковых моделей (LLM), обучающихся на текстах, эта модель работает с платежами как с отдельной модальностью .
Ключевые характеристики модели:
- Архитектура: Это трансформер, который превращает каждую транзакцию в компактный вектор (эмбеддинг) — своеобразную «широту и долготу» платежа в многомерном пространстве .
- Масштаб данных: Модель обучается на десятках миллиардов транзакций. Stripe обрабатывает около 50 000 новых операций каждую минуту .
- Контекст: По мнению Сэндс, ни один платеж не является «островом». Чтобы понять транзакцию, нужно анализировать последовательности: что происходило с этой картой, устройством, IP-адресом и мерчантом в последние минуты или за последние K-операций .
Натан Лабенц отмечает, что это путь к «сверхчеловеческому интеллекту» в узких областях: ИИ видит паттерны в огромных массивах структурированных данных, которые человеческий мозг просто не способен удержать в памяти .
🛡️ Победа над кардингом и «френдли-фродом» 28:43
Первое практическое применение модели показало ошеломляющие результаты в борьбе с «card testing» (процесс, при котором мошенники проверяют валидность украденных карт мелкими транзакциями) .
- Результативность: Точность обнаружения атак на крупных мерчантов подскочила с 59% до 97% .
- Механика: Мошеннические попытки выглядят как «острова» или аномальные кластеры в пространстве эмбеддингов, даже если они замаскированы под обычный трафик .
Сэндс также выделяет проблему «дружелюбного фрода» (friendly fraud), который, по словам гостьи, вовсе не является дружелюбным. Около 47% компаний считают его более опасным, чем кражу данных карт . Для борьбы с ним Stripe использует «LLM в роли судьи» (LLM as a judge), который анализирует причины маркировки платежа как подозрительного и объясняет это пользователю .
🔄 Модульная ИИ-инфраструктура и «маховик» данных 31:08
Stripe использует уникальный подход к интеграции ИИ. Вместо того чтобы заменять старые системы одной огромной моделью, они предоставляют эмбеддинги как фичи для сотен уже существующих узкоспециализированных моделей .
Преимущества такого подхода по версии Эмили Сэндс:
- Скорость итерации: Создание новой модели для специфической задачи превращается из квартального проекта в проект на выходные .
- Эффект масштаба: Чем больше данных проходит через Stripe (а это 1,3% мирового ВВП), тем лучше работают модели .
- Комбинирование методов: Сэндс утверждает, что «моделистам не стоит воротить нос от правил» . Лучшие результаты дает сочетание жестких бизнес-правил и гибких моделей.
🤖 Будущее: Агентурная коммерция и «Бизнес в коробке» 1:11:09
Обсуждая будущее, Сэндс прогнозирует расцвет «агентурной коммерции» (agentic commerce). Это мир, где ИИ-агенты будут самостоятельно совершать покупки от имени людей или компаний .
Интересные примеры:
- Hip Camp: Использует агентов с виртуальными картами для бронирования мест в кемпингах на внешних платформах .
- Cursor: Разработчики могут покупать услуги Vercel прямо внутри кодового редактора — это пример глубоко встроенной коммерции .
- Концепция «Бизнеса в коробке»: Сэндс видит потенциал в агентах, которые по запросу «создай мне бизнес» сами подберут и оплатят весь стек необходимых SaaS-инструментов, проведут переговоры о цене и настроят интеграции .
🏛️ Проблема доминирования платформ 1:14:53
Ведущий поднимает важный вопрос: не становится ли положение Stripe недосягаемым для конкурентов? . Если компания обрабатывает такие объемы данных и обучает на них лучшие модели, которые в свою очередь привлекают еще больше клиентов, конкуренция может фактически прекратиться.
Эмили Сэндс считает, что преимущество Stripe не просто в объеме данных, а в «самоусиливающемся цикле» (compounding loop). Больше данных — лучше модели — выше ценность для бизнеса — быстрее рост бизнеса — больше транзакций через Stripe . При этом Stripe делает ставку на модульность, позволяя использовать свои антифрод-инструменты даже тем, кто проводит платежи через других процессоров .
На вопрос о том, собирается ли Stripe выпускать собственную языковую модель для конкуренции с OpenAI или Anthropic, Сэндс ответила отрицательно. Стратегия компании — быть «лучшим партнером для ИИ-компаний» и строить экономическую инфраструктуру, а не становиться «модельным цехом» .
