美國金融服務公司 Plaid Inc. 開發了一款創新的 foundation model（基礎模型），能夠分析金錢流動的方式、地點與其發生順序，目的在於深入解讀消費者的金融行為。這項 sequential foundation model（序列式基礎模型）預計將於今年第三季末或第四季推出，協助銀行和貸款機構更精確地辨識客戶。

Plaid 數據與人工智慧解決方案主管 Suddu Seshadri 表示，單純的交易數字不足以全面反映人們使用金錢的真實狀況。該模型透過三個層次來詮釋交易：交易的意義、事件發生的先後順序與時間關聯，以及帳戶屬性。它能將原始交易數據置於客戶更廣泛的金融模式中進行判讀，而非僅止於個別交易。

Plaid 團隊利用兩個消費者的案例說明此模型的獨特價值。假設消費者 A 和消費者 B 擁有相同的月收入、平均餘額、租金支付、透支費用和消費類別，但他們的金融事件序列卻大相徑庭。消費者 A 的收入用於支付租金和水電費，隨後進行一些消費，並僅發生一次透支，其帳戶在下一個發薪日前即恢復正常。然而，消費者 B 的收入在 24 小時內用於償還貸款和信用卡債務，接著在下一個發薪日前進行小額轉帳，如此循環往復。這兩種不同的序列模式，明確揭示消費者 A 並非習慣性透支，而消費者 B 的模式則持續存在財務問題。

Plaid 能夠收集這些獨特的金融資訊，得益於其與合作銀行及其他連接平台的獨特存取權限。該公司透過 contrastive learning（對比學習）訓練模型，以提升其預測金融活動的能力，並運用時間對比學習來強化基於用戶歷史數據的行為特徵。在模型建立過程中，Plaid 將安全與敏感金融資訊保護列為優先考量，遵循與其銀行合作夥伴相同的安全標準。此外，Plaid 在擴大模型存取權限前，也取得了其隱私與法律團隊的許可，並承諾未經個人客戶同意絕不存取任何資訊，同時遵守現有的隱私控制與其與銀行及應用程式之間的協議。

Plaid 表示，該模型的數據集僅由 Plaid 完全可見，其中包含金錢流動與帳戶用途等資訊。目前，Plaid 的下一步目標是進一步微調模型，使其能更容易應用於更多使用情境，例如第一方詐騙、身份盜竊、現金預支與支付等。