Razorpay Vulcan, ödeme yönlendirme, fraud tespiti, risk değerlendirmesi ve checkout kişiselleştirmesini aynı yapay zeka altyapısında buluşturuyor. NVIDIA teknolojileri ve Amazon Web Services altyapısıyla geliştirilen model, yaklaşık 4 milyar ödeme ve 3 trilyona yakın veri noktası üzerinden eğitildi.
Hindistan merkezli ödeme teknolojileri şirketi Razorpay, ödeme sistemleri için geliştirdiği Vulcan adlı yapay zeka foundation modelini tanıttı.
Transformer tabanlı model, geleneksel büyük dil modellerinden farklı bir kullanım alanına odaklanıyor. Vulcan, metin üretmek yerine ödeme hareketlerindeki davranış kalıplarını ve risk sinyallerini öğrenerek işlemler hakkında gerçek zamanlı kararlar üretiyor.
Modelin mimarisi ve eğitim verisi Razorpay tarafından geliştirildi. NVIDIA hızlandırılmış hesaplama altyapısı sağlarken Amazon Web Services, Amazon SageMaker AI dahil olmak üzere modelin eğitilmesi, ölçeklenmesi ve çalıştırılması için kullanılan bulut altyapısını destekliyor.
Yaklaşık 4 Milyar Ödeme Üzerinden Eğitildi
Razorpay tarafından açıklanan verilere göre Vulcan, yaklaşık 4 milyar ödeme işleminden elde edilen 3 trilyona yakın veri noktasıyla eğitildi.
Model, tek bir işlem sırasında yaklaşık 3.000 farklı sinyali değerlendirebiliyor.
Bu sinyaller ödeme yöntemi, işlem davranışı, geçmiş hareketler, risk göstergeleri ve işlemin gerçekleştiği koşullar gibi farklı veri katmanlarından oluşabiliyor.
Razorpay Kurucu Ortağı ve CEO’su Harshil Mathur’un paylaştığı bilgilere göre sistem, ödeme sırasında gerekli kararları yaklaşık 29 milisaniye içinde verebiliyor.
Bu hız, modelin yalnızca analiz amaçlı kullanılmasının ötesine geçerek doğrudan ödeme akışının içine yerleşmesini sağlıyor.
Ödeme Başarı Oranında Yüzde 8-10 Artış
Razorpay, Vulcan’ın ilk kullanım sonuçlarının ödeme performansında belirgin iyileşmeler sağladığını belirtiyor.
Şirketin açıkladığı erken dönem sonuçlarına göre modelin kullanıldığı senaryolarda ödeme başarı oranlarında yüzde 8 ila 10 arasında artış görüldü.
Uluslararası kart işlemlerinde fraud tespitinin 8 kata kadar arttığı, fraud veya ihtilaflı işlem tespitinde ise uyarı sayısı artırılmadan 5 kata varan iyileşme sağlandığı belirtiliyor.
Açıklanan rakamlar Razorpay’in kendi operasyonlarından elde ettiği sonuçlara dayanıyor. Şu aşamada bağımsız bir benchmark veya üçüncü taraf doğrulaması paylaşılmış durumda bulunmuyor.
Routing ve Fraud Aynı Zeka Katmanında Buluşuyor
Vulcan’ın dikkat çeken tarafı, ödeme ekosisteminde genellikle farklı sistemler tarafından yönetilen görevleri ortak bir model altında bir araya getirmesi.
Model şu anda ödeme yönlendirme, fraud tespiti, cash-on-delivery işlemlerinde risk değerlendirmesi ve checkout kişiselleştirmesi gibi alanlarda kullanılıyor.
Ödeme yönlendirme tarafında Vulcan, işlemin başarılı sonuçlanma ihtimalini değerlendirerek uygun ödeme rotasının seçilmesine katkı sağlıyor.
Fraud yönetiminde ise ödeme ağındaki davranışları birlikte analiz ederek tek bir işlemden daha geniş örüntüler yakalamaya çalışıyor.
Checkout tarafında müşterinin ödeme davranışına göre deneyimin kişiselleştirilmesi hedefleniyor.
Razorpay ilerleyen dönemde authentication ve lending gibi başka finansal hizmetlerin de aynı yapay zeka altyapısıyla desteklenmesini planlıyor.
Ödemelerde Foundation Model Dönemi Başlıyor
Ödeme şirketleri uzun süredir makine öğrenmesini fraud, risk skorlama, authorization optimizasyonu ve routing gibi alanlarda kullanıyor.
Vulcan ile ortaya çıkan yaklaşım ise bu yeteneklerin ortak bir öğrenme altyapısında buluşması.
Bir ödeme işleminden öğrenilen davranış, yalnızca fraud modelinde kullanılmak yerine routing veya checkout optimizasyonunda da anlamlı bir sinyale dönüşebiliyor.
Böylece ödeme altyapısının farklı noktalarında çalışan ayrı modeller yerine, işlem davranışının daha geniş bölümünü anlayan ortak bir karar katmanı oluşturuluyor.
Bu mimari, yapay zekanın ödeme sektöründeki rolünü operasyonel otomasyondan doğrudan işlem performansını yöneten altyapı katmanına taşıyor.
Razorpay’in Vulcan hamlesini önemli yapan şey yapay zekanın ödemelerde kullanılması kadar, kullanım biçiminin değişmesi. Fraud, routing, checkout ve risk yönetimi uzun süredir makine öğrenmesinin yoğun kullanıldığı alanlar. Şimdi bu yetenekler aynı ödeme davranışından öğrenen ortak bir model etrafında toplanmaya başlıyor.
Bu gelişme ödeme orkestrasyonunun geleceğini de etkileyebilir. Bir işlemin hangi kanaldan geçeceğini seçmek tek başına yeterli olmayacak. Fraud riski, müşterinin ödeme davranışı, authorization ihtimali ve checkout deneyimi aynı anda değerlendirildiğinde orkestrasyon katmanı giderek bir ödeme zekası katmanına dönüşebilir. Razorpay’in açıkladığı sonuçlar daha geniş ölçekte doğrulanırsa, ödeme teknolojilerinde rekabetin yeni alanlarından biri foundation model mimarileri olacak.
