*プロフィールにFigmaの投資家を追加します。

@jmj & @seidtweets での仕事に応募することを強くお勧めします。彼らは素晴らしい人々であり、投資家です!

8月4日には、エージェント、ステーブルコイン、スケーラブルなデータシステムに関する専門家との詳細な会話であるTheory Intelligence Dayを開催します。

メールが私を見つける方法

今日のミームは次のレベルです。

ノア・シャジールを10億で買うことはできませんが、彼を集合体で作り出すことはできます

Lanceチームの皆さん、おめでとうございます!皆さんと一緒に仕事ができることを楽しみにしています!

WSJ Venture Capitalに対する私の考えは、企業が今日の市場で上場する有力な候補となるのはどのような属性なのかということです。ありがとう@marcvarta !

@tryramp私のカレンダーデータ(タイトル、出席者)を取り込んで、経費要件を自動化できますか? インターン生の@pavitarsainiと私は今週末にそれをバイブコーディングします。

TLです。DR:私たちはトランスフォーマーベースの決済基盤モデルを構築しました。うまくできます。 Stripe は長年にわたり、個別の特徴 (BIN、zip、決済方法など) でトレーニングされた機械学習モデルを使用してきました ユーザーのために当社の製品を改善するため。そして、これらの機能ごとの取り組みはうまく機能しており、コンバージョンは+15%、不正は-30%でした。 ただし、これらのモデルには制限があります。モデルによって考慮される特徴を選択(したがって制約)する必要があります。また、各モデルには、承認、詐欺、不審請求の申請など、タスク固有のトレーニングが必要です。 一般化されたトランスフォーマー アーキテクチャの学習能力を考えると、LLM スタイルのアプローチがここで機能するかどうか疑問に思いました。支払いは、ある意味では言語に似ており(構文や意味論に似た構造パターン、時間的に連続している)、他の言語とは極端に異なる(明確な「トークン」が少ない、文脈上のスパース性、文法規則に似た組織化原則が少ない)のです。 そこで、言語モデルが単語を埋め込むのと同じように、すべての取引について高密度の汎用ベクトルを学習する自己教師ありネットワークである決済基盤モデルを構築しました。数百億件のトランザクションで学習され、各課金の主要なシグナルを1つの汎用性の高いエンベデッドに抽出します。 この結果は、高次元のベクトル空間における支払いの広大な分布と考えることができます。各埋め込みの場所は、さまざまな要素が互いにどのように関連しているかなど、豊富なデータをキャプチャします。同じカード発行会社からの取引は互いに近く、同じ銀行からの取引はさらに近く、同じメールアドレスを共有する決済はほぼ同じです。 これらの豊富なエンベディングにより、トランザクションの微妙な敵対的なパターンを見つけることが大幅に容易になります。また、個々の支払いの特徴と、シーケンス内の他の支払いとの関係の両方に基づいて、より正確な分類子を構築します。 カードテスティングを例にとってみましょう。過去数年間で、従来の ML アプローチ (新機能のエンジニアリング、新たな攻撃パターンのラベル付け、モデルの迅速な再トレーニング) により、Stripe のユーザーに対するカードテスティングが 80% 減少しました。しかし、最も洗練されたカードテスターは、大企業のボリュームに新しい攻撃パターンを隠しているため、これらの方法では見つけるのが困難です。 基盤モデルから埋め込みのシーケンスを取り込み、トラフィックスライスが攻撃を受けているかどうかを予測する分類器を構築しました。 トランスフォーマーアーキテクチャを活用して、トランザクションシーケンス全体の微妙なパターンを検出します。そして、これをすべてリアルタイムで行うため、攻撃がビジネスを襲う前にブロックできます。 このアプローチにより、大規模ユーザーに対するカードテスティング攻撃の検出率が一晩で59%から97%に向上しました。 これは、大規模なユーザーにすぐに影響を与えます。しかし、基盤モデルの真の力は、これらの同じ埋め込みを、紛争や承認などの他のタスクに適用できることです。 おそらくさらに根本的には、支払いには意味的な意味があることを示唆しています。文中の単語と同様に、トランザクションには複雑なシーケンシャルな依存関係と潜在的な特徴の相互作用があり、これらは手動の特徴エンジニアリングでは捉えることができません。 注意が必要だったすべての支払いが判明しました!