* يضيف مستثمر Figma إلى السيرة الذاتية.

أوصي بشدة بالتقدم للعمل مع @jmj & @seidtweets! إنهم أناس ومستثمرون رائعون!

في 4 أغسطس ، سنستضيف يوم الاستخبارات النظرية: محادثات متعمقة مع خبراء حول الوكلاء والعملات المستقرة وأنظمة البيانات القابلة للتطوير.

كيف يعثر بريدك الإلكتروني على

كانت الميمات اليوم هي المستوى التالي.

لا يمكننا شراء نوح شازير مقابل مليار ولكن يمكننا إنشاؤه في المجموع

مبروك لفريق لانس! متحمس للعمل معكم يا رفاق!

أفكاري ل WSJ Venture Capital حول السمات التي تجعل الشركة مرشحا قويا للاكتتاب العام في سوق اليوم. شكرا @marcvarta!

@tryramp يمكنكم يا رفاق استيعاب بيانات التقويم الخاصة بي: العنوان والحضور ثم أتمتة متطلبات المصروفات الخاصة بي؟ سأقوم @pavitarsaini المتدرب لدينا بتشفيره في نهاية هذا الأسبوع.

TL. دكتور: لقد قمنا ببناء نموذج أساس المدفوعات القائم على المحولات. إنه يجدي نفعًا. لسنوات ، تستخدم Stripe نماذج التعلم الآلي المدربة على ميزات منفصلة (BIN ، zip ، طريقة الدفع ، إلخ.) لتحسين منتجاتنا للمستخدمين. وقد نجحت هذه الجهود المميزة على حدة بشكل جيد: + 15٪ تحويل ، -30٪ احتيال. لكن هذه النماذج لها قيود. علينا أن نختار (وبالتالي نتقيد) الميزات التي يعتبرها النموذج. ويتطلب كل نموذج تدريبا خاصا بالمهمة: للتفويض ، والاحتيال ، والنزاعات ، وما إلى ذلك. نظرا لقوة التعلم لمعماريات المحولات المعممة ، تساءلنا عما إذا كان نهج LLM يمكن أن ينجح هنا. لم يكن من الواضح أن الأمر سيفعل ذلك - فالمدفوعات تشبه اللغة في بعض النواحي (أنماط هيكلية مشابهة لبناء الجملة والدلالات ، متسلسلة مؤقتا) وتختلف تماما عن اللغة في حالات أخرى (عدد أقل من "الرموز المميزة " ، والتناثر السياقي ، ومبادئ تنظيمية أقل تشبه القواعد النحوية). لذلك قمنا ببناء نموذج أساس المدفوعات - شبكة ذاتية الإشراف تتعلم متجهات كثيفة للأغراض العامة لكل معاملة ، تماما مثل نموذج اللغة الذي يتضمن الكلمات. تم تدريبه على عشرات المليارات من المعاملات ، وهو يقطر الإشارات الرئيسية لكل شحنة في تضمين واحد متعدد الاستخدامات. يمكنك التفكير في النتيجة على أنها توزيع واسع للمدفوعات في مساحة متجهة عالية الأبعاد. يلتقط موقع كل تضمين البيانات الغنية، بما في ذلك كيفية ارتباط العناصر المختلفة ببعضها البعض. تتجمع المدفوعات التي تشترك في أوجه التشابه معا بشكل طبيعي: يتم وضع المعاملات من نفس جهة إصدار البطاقة بالقرب من بعضها البعض ، وتلك من نفس البنك أقرب ، وتلك التي تشترك في نفس عنوان البريد الإلكتروني متطابقة تقريبا. هذه التضمينات الغنية تجعل من السهل بشكل كبير تحديد أنماط المعاملات الدقيقة والعدائية. وبناء مصنفات أكثر دقة بناء على كل من ميزات الدفعة الفردية وعلاقتها بالمدفوعات الأخرى في التسلسل. خذ اختبار البطاقة. على مدار العامين الماضيين ، أدت مناهج التعلم الآلي التقليدية (هندسة الميزات الجديدة ، وتصنيف أنماط الهجوم الناشئة ، وإعادة تدريب نماذجنا بسرعة) إلى تقليل اختبار البطاقة للمستخدمين على Stripe بنسبة 80٪. لكن مختبري البطاقات الأكثر تطورا يخفون أنماط هجوم جديدة في أحجام أكبر الشركات ، لذلك يصعب اكتشافها بهذه الأساليب. لقد أنشأنا مصنفا يستوعب تسلسلات من التضمينات من نموذج الأساس، ويتنبأ بما إذا كانت شريحة حركة المرور تتعرض لهجوم. إنه يستفيد من بنية المحولات لاكتشاف الأنماط الدقيقة عبر تسلسل المعاملات. وهو يفعل كل هذا في الوقت الفعلي حتى نتمكن من منع الهجمات قبل أن تصيب الشركات. أدى هذا النهج إلى تحسين معدل الكشف عن هجمات اختبار البطاقات على المستخدمين الكبار من 59٪ إلى 97٪ بين عشية وضحاها. هذا له تأثير فوري على كبار مستخدمينا. لكن القوة الحقيقية لنموذج الأساس هي أنه يمكن تطبيق هذه التضمينات نفسها عبر مهام أخرى ، مثل النزاعات أو التراخيص. ربما بشكل أساسي ، يشير إلى أن المدفوعات لها معنى دلالي. تماما مثل الكلمات في الجملة ، تمتلك المعاملات تبعيات متسلسلة معقدة وتفاعلات ميزات كامنة لا يمكن ببساطة التقاطها عن طريق هندسة الميزات اليدوية. تبين أن الاهتمام كان كل المدفوعات المطلوبة!