*Adiciona o investidor Figma à biografia.

Recomendo fortemente se candidatar para trabalhar com @jmj & @seidtweets! Eles são pessoas e investidores incríveis!

Em 4 de agosto, realizaremos o Theory Intelligence Day: conversas aprofundadas com especialistas em agentes, stablecoins e sistemas de dados escaláveis.

Como seu e-mail me encontra

Os memes de hoje têm sido o próximo nível.

Não podemos comprar Noah Shazeer por 1 bilhão, mas podemos criá-lo no agregado

Parabéns à equipe Lance! Animado para trabalhar com vocês!

Meus pensamentos para o WSJ Venture Capital sobre quais atributos tornam uma empresa uma forte candidata a abrir o capital no mercado atual. Obrigado @marcvarta !

@tryramp vocês podem ingerir meus dados de calendário: título, participantes e automatizar meus requisitos de despesas? nosso estagiário @pavitarsaini e eu vamos vibe code it neste fim de semana.

TL; DR: Construímos um modelo de base de pagamentos baseado em transformador. Funciona. Há anos, a Stripe usa modelos de machine learning treinados em recursos discretos (BIN, zip, forma de pagamento etc.) para melhorar nossos produtos para os usuários. E esses esforços de recurso por recurso funcionaram bem: +15% de conversão, -30% de fraude. Mas esses modelos têm limitações. Temos que selecionar (e, portanto, restringir) os recursos considerados pelo modelo. E cada modelo requer treinamento específico para tarefas: para autorização, fraude, disputas e assim por diante. Dado o poder de aprendizado das arquiteturas de transformadores generalizados, nos perguntamos se uma abordagem no estilo LLM poderia funcionar aqui. Não era óbvio que isso aconteceria - os pagamentos são como a linguagem em alguns aspectos (padrões estruturais semelhantes à sintaxe e semântica, temporalmente sequenciais) e extremamente diferentes da linguagem em outros (menos 'tokens' distintos, esparsidade contextual, menos princípios de organização semelhantes a regras gramaticais). Por isso, construímos um modelo de base de pagamentos, uma rede auto-supervisionada que aprende vetores densos e de uso geral para cada transação, da mesma forma que um modelo de linguagem incorpora palavras. Treinado em dezenas de bilhões de transações, ele destila os principais sinais de cada cobrança em uma única e versátil incorporação. Você pode pensar no resultado como uma vasta distribuição de pagamentos em um espaço vetorial de alta dimensão. O local de cada incorporação captura dados ricos, incluindo como diferentes elementos se relacionam entre si. Os pagamentos que compartilham semelhanças naturalmente se agrupam: as transações do mesmo emissor de cartão estão posicionadas mais próximas, as do mesmo banco ainda mais próximas e as que compartilham o mesmo endereço de e-mail são quase idênticas. Essas ricas incorporações tornam significativamente mais fácil identificar padrões de transações sutis e contraditórios; e criar classificadores mais precisos com base nos recursos de um pagamento individual e em sua relação com outros pagamentos na sequência. Faça o teste de cartão. Nos últimos dois anos, as abordagens tradicionais de ML (engenharia de novos recursos, rotulagem de padrões de ataque emergentes, retreinamento rápido de nossos modelos) reduziram em 80% os testes de cartão para usuários na Stripe. Mas os testadores de cartão mais sofisticados escondem novos padrões de ataque nos volumes das maiores empresas, por isso são difíceis de detectar com esses métodos. Construímos um classificador que ingere sequências de incorporações do modelo de base e prevê se a fatia de tráfego está sob ataque. Ele aproveita a arquitetura do transformador para detectar padrões sutis nas sequências de transações. E faz tudo isso em tempo real para que possamos bloquear ataques antes que eles atinjam as empresas. Essa abordagem melhorou nossa taxa de detecção de ataques de teste de cartão em grandes usuários de 59% para 97% durante a noite. Isso tem um impacto instantâneo para nossos grandes usuários. Mas o verdadeiro poder do modelo de fundação é que essas mesmas incorporações podem ser aplicadas em outras tarefas, como disputas ou autorizações. Talvez ainda mais fundamentalmente, sugere que os pagamentos têm significado semântico. Assim como as palavras em uma frase, as transações possuem dependências sequenciais complexas e interações de recursos latentes que simplesmente não podem ser capturadas pela engenharia manual de recursos. Acontece que a atenção era todos os pagamentos necessários!