Revolut ha istituito Revolut Research, una divisione dedicata allo sviluppo di architetture di machine learning per i servizi finanziari. Inserita nel dipartimento che si occupa di intelligenza artificiale, la nuova unità lavorerà con istituzioni accademiche e aziende tecnologiche e coordinerà le applicazioni proprietarie adottate dal gruppo.
La valutazione del rischio in tempo reale, la prevenzione delle frodi, la greestione della piattaforma e la personalizzazione dei prodotti verranno riunite attorno a un livello condiviso di analisi dei comportamenti finanziari. La società intende così integrare i modelli direttamente nella propria infrastruttura e mettere la stessa rappresentazione delle attività dei clienti a disposizione dei gruppi che si occupano di credito, sicurezza e sviluppo dei servizi.
Un modello costruito sui dati delle transazioni
La divisione gestirà PRAGMA, una famiglia di modelli sviluppata da Revolut in collaborazione con NVIDIA per interpretare il percorso finanziario di ogni cliente come una sequenza temporale. Pagamenti, trasferimenti, operazioni di trading, navigazione nell’app e comunicazioni concorrono a formare una cronologia dalla quale il sistema ricava rappresentazioni numeriche del comportamento, chiamate embedding.
I dati finanziari combinano importi, categorie, testo e riferimenti temporali all’interno di record che possono cambiare struttura e lunghezza. Il valore di una transazione deve conservare la propria grandezza, la valuta e la categoria dell’esercente devono rimanere riconoscibili e il momento in cui avviene l’operazione deve essere collocato correttamente nella storia del conto. Le sequenze possono inoltre comprendere poche interazioni per un cliente appena acquisito oppure migliaia di eventi distribuiti lungo anni di attività.
PRAGMA organizza queste informazioni attraverso uno schema basato su tipo di dato, valore e tempo. Gli importi vengono suddivisi in fasce che ne conservano ordine e grandezza, le categorie ricevono codici specifici e le descrizioni testuali vengono scomposte in unità più piccole. La distanza dall’evento precedente, l’ora, il giorno della settimana e il giorno del mese permettono invece di rappresentare operazioni compiute a pochi secondi di distanza, pagamenti ricorrenti e cambiamenti distribuiti su periodi più estesi.
Come PRAGMA ricostruisce la storia finanziaria
L’architettura combina tre componenti specializzate. Il Profile State Encoder elabora elementi come anzianità del conto, piano utilizzato, fascia di saldo, stato delle coperture assicurative e area geografica del servizio; l’Event Encoder analizza i singoli pagamenti, trasferimenti e altri eventi; l’History Encoder collega infine queste informazioni al profilo e ricostruisce la loro successione nel tempo.
Il profilo aggiunge alla sequenza delle operazioni il contesto necessario per interpretarla. Nei test condotti con la versione più piccola di PRAGMA, il suo utilizzo ha migliorato del 31,8% la capacità di riconoscere i casi di insolvenza rispetto alla configurazione basata soltanto sugli eventi e ha prodotto benefici ancora maggiori nell’individuazione delle frodi.
Durante il preaddestramento, alcune parti dei record vengono nascoste e il modello deve ricostruirle usando la cronologia disponibile. Il mascheramento può interessare un singolo valore, un intero evento oppure tutti i dati appartenenti allo stesso tipo di campo, permettendo a PRAGMA di apprendere le relazioni tra profilo, operazioni e tempo direttamente dalle attività registrate sulla piattaforma.
Il dataset comprende circa 26 milioni di record utente anonimizzati provenienti da 111 Paesi, con tra 24 e 40 miliardi di eventi e 207 miliardi di token distribuiti nell’arco di circa 28 mesi. Le fonti includono transazioni, utilizzo dell’app, operazioni di trading e comunicazioni con il cliente.
Tre dimensioni per esigenze operative differenti
La famiglia PRAGMA comprende una versione da 10 milioni di parametri, una da 100 milioni e una da un miliardo. La configurazione più piccola ha completato l’addestramento in circa due giorni su 16 GPU NVIDIA H100, mentre le due versioni superiori hanno richiesto circa due settimane su cluster composti da 16-32 GPU all’interno di Nebius AI Cloud.
La differenza di dimensioni permette di utilizzare lo stesso impianto nelle decisioni in tempo reale e nelle analisi che privilegiano la capacità predittiva. PRAGMA-S mantiene una latenza inferiore al secondo nelle verifiche antifrode effettuate durante una transazione, mentre le configurazioni più grandi vengono destinate alle attività nelle quali Revolut considera prioritaria l’accuratezza.
Poiché le cronologie degli utenti hanno lunghezze molto diverse, il gruppo di ingegneria ha organizzato i record in base al numero di eventi e ha applicato tecniche che riducono lo spazio occupato dai dati di riempimento. Queste ottimizzazioni hanno aumentato da due a cinque volte il volume di informazioni elaborato durante l’addestramento rispetto alle pipeline tradizionali utilizzate come riferimento.
Dopo il preaddestramento, PRAGMA può essere adattato a una singola funzione attraverso LoRA, una tecnica che mantiene invariata quasi tutta la base del modello e addestra soltanto piccoli componenti aggiuntivi per il nuovo compito. Nel caso di PRAGMA viene modificato appena il 2-4% dei parametri, permettendo di specializzare il sistema per credito, frodi o raccomandazioni in un periodo compreso tra circa 12 ore e pochi giorni.
I gruppi che si occupano di credito, frodi, marketing e prodotti possono quindi partire dalla stessa rappresentazione dei comportamenti e specializzarla con un processo che richiede da circa 12 ore a pochi giorni.
Nel sistema precedente, ciascuna attività utilizzava una pipeline dedicata, con variabili predittive, query e processi di preparazione dei dati separati. Il riuso del modello e dei suoi adattamenti ha reso i cicli di sviluppo da tre a cinque volte più rapidi e, per numerosi casi d’uso, ha ridotto da mesi a valori prossimi allo zero il lavoro necessario per costruire manualmente le variabili.
I risultati nel credito, nelle frodi e nelle raccomandazioni
Revolut ha confrontato PRAGMA con i modelli già utilizzati nelle proprie attività e comunica i miglioramenti in termini percentuali, mantenendo riservati per ragioni commerciali i punteggi assoluti. Nel rischio di credito, dove il sistema deve stimare la probabilità che un cliente diventi insolvente nei primi 12 mesi, i test condotti su dati storici hanno registrato una capacità 2,3 volte maggiore di identificare il rischio di insolvenza.
Nella prevenzione delle frodi, PRAGMA ha intercettato il 65% di casi in più e ha aumentato del 17% la quota di segnalazioni corrette. I due valori esprimono rispettivamente la capacità di trovare un maggior numero di frodi e quella di produrre avvisi più precisi rispetto al precedente modello di produzione.
Per le raccomandazioni, il sistema ha migliorato del 41% la capacità di collocare i prodotti pertinenti tra i suggerimenti rivolti al cliente. La stessa rappresentazione comportamentale viene così utilizzata sia nelle attività legate al rischio e alla sicurezza sia nella selezione dei servizi da proporre ai clienti privati e aziendali.
Una variante integra NVIDIA Llama Nemotron Embed 1B v2 per elaborare campi testuali come le descrizioni degli esercenti. Il componente converte il testo in una rappresentazione che viene combinata con importi, categorie e informazioni temporali e, nei test sul rischio di credito, ha prodotto un miglioramento del 16,1%. Revolut lo mantiene come modulo destinato alle attività nelle quali le descrizioni testuali forniscono informazioni utili alla previsione.
Il limite nelle attività antiriciclaggio
L’architettura di PRAGMA elabora individualmente la cronologia di ciascun utente, una struttura utilizzata nelle attività fondate sul comportamento del singolo conto. I controlli antiriciclaggio richiedono invece anche l’analisi delle relazioni tra conti, transazioni e soggetti differenti, perché una sequenza può assumere significato quando viene osservata come parte di una rete più ampia di trasferimenti e controparti.
Nel benchmark dedicato a questo ambito, PRAGMA ha ottenuto un risultato inferiore del 47,1% rispetto alla soluzione di produzione, che utilizza informazioni di rete e collegamenti tra record. Il gruppo di ricerca indica quindi l’elaborazione delle dipendenze tra più soggetti come una delle direzioni per lo sviluppo successivo del modello.
Un unico sistema per mercati e prodotti
Il backbone condiviso riduce la duplicazione del codice, semplifica la governance e permette un monitoraggio unificato. Gli aggiornamenti apportati a PRAGMA possono essere trasferiti alle diverse unità aziendali attraverso gli embedding e gli adattamenti comuni, evitando di ricostruire l’intero processo per ogni prodotto o mercato.
Revolut dichiara più di 80 milioni di clienti in oltre 40 mercati e più di un miliardo di transazioni al mese. Questi dati alimentano i modelli impiegati per individuare frodi, valutare il rischio e prevedere le esigenze dei clienti, creando una base informativa che cresce insieme all’attività della piattaforma.
Anton Repushko, responsabile di Revolut Research, ha presentato i risultati del progetto durante diverse conferenze internazionali, tra cui l’International Conference on Machine Learning di Seoul.
“Per guidare il futuro dell’online banking intelligente, non si può fare affidamento su progetti creati da altri”, ha dichiarato Pavel Nesterov, responsabile AI di Revolut. “Abbiamo lanciato Revolut Research per istituzionalizzare la nostra filosofia basata sullo sviluppo di strumenti e processi da zero, rifiutando soluzioni d’integrazione forzate.”
“Revolut Research è stato istituito per costruire in modo responsabile l’intelligenza finanziaria al suo livello più profondo, invece di mettere insieme modelli ristretti e specializzati”, ha affermato Repushko. “Con PRAGMA stiamo sviluppando un modello di base unificato, capace di comprendere le sfumature del comportamento finanziario in tempo reale.”
L’intelligenza artificiale entra nelle operazioni e nell’app
Oltre a PRAGMA, Revolut utilizza modelli di sicurezza che esaminano quasi un miliardo di transazioni al mese per individuare e bloccare le attività fraudolente. Gli stessi motori alimentano funzioni rivolte agli utenti, tra cui AIR, l’assistente integrato nell’app che consente di eseguire operazioni finanziarie complesse attraverso una singola richiesta e che, al momento, è disponibile soltanto nel Regno Unito.
Revolut prevede di aggiungere a PRAGMA input multimodali e forme di preaddestramento continuo, estendendone l’impiego alla previsione dell’abbandono, alla stima del valore del cliente e al rilevamento delle anomalie. Il gruppo sta inoltre esplorando l’integrazione di AutoML, il versionamento degli embedding, una pipeline completa per l’inferenza e un’interfaccia dell’app capace di adattarsi in tempo reale al comportamento dell’utente.
