O Nubank e a Revolut já publicaram seus foundation models de transações, e a Stripe anunciou um para pagamentos. Comparamos essas representações do histórico com o boosting e com arquiteturas híbridas para entender onde aparece ganho e onde a complexidade adicional não se justifica.
São cinco bases. Em quatro, as 23 abordagens rodam no mesmo protocolo, com um score por cliente: a MBD, base pública de um banco (10,7 milhões de transações de 54 mil clientes pessoa jurídica), uma base sintética de cartão e duas carteiras de clientes. A quinta é fraude em cartão na base pública da IBM (24,4 milhões de transações), com um score por transação e o Cortex, foundation model comercial da NeoSpace, como referência externa. Explore os resultados, os intervalos de confiança e os limites de cada teste.
Temporal Booster · Ensemble: boosting com transições temporais combinado com um foundation model ajustado no alvo, com todos os 22.000 rótulos. IC 95% +0,019 a +0,035. Equivale a +5,4 pontos de Gini. Média de 5 seeds (repetições do treino com inicializações diferentes).
Versão nossa, em escala pequena, da receita do Nubank (nuFormer), com pré-treino e fine-tuning junto das variáveis. MBD, contratação. IC 95% +0,013 a +0,038. Sem o pré-treino, a mesma rede fica em −0,011. Contra o Ensemble, nas mesmas seeds e com todos os rótulos, não detectamos diferença conclusiva (esta rede menos o Ensemble: −0,002, IC −0,008 a +0,004); com 1.000 e 4.000 rótulos, o Ensemble ficou à frente, com IC acima de zero.
Na MBD (contratação, todos os rótulos), o embedding de reconstrução piorou o modelo (IC −0,011 a −0,003).
Recortes (base, alvo e quantidade de rótulos, nas quatro bases) com o IC 95% acima de zero. Nesses mesmos 36 recortes, a posição média é 3,0 entre 19 e 23 abordagens; a rede ajustada sozinha fica em 8,7, com IC acima de zero em 14, e o Residual em 7,6, em 21.
Ver a posição de cada método nas bases reaisTemporal Booster · Ensemble, todos os rótulos, recorte só com eventos. IC 95% +0,002 a +0,014. O ganho foi significativo nas três quantidades de rótulos testadas.
Temporal Booster · Residual, todos os rótulos, recorte só com eventos. IC 95% +0,009 a +0,026. O ganho foi significativo nas três quantidades de rótulos, só com eventos e com as variáveis do modelo atual do cliente; com essas variáveis, foi a única abordagem assim.
Temporal Booster · Residual, com poucos rótulos, recorte só com eventos. IC 95% +0,007 a +0,023.
Temporal Booster · Ensemble, todos os rótulos, com o cadastro do ponto de venda no baseline e em todos os métodos. IC 95% +0,001 a +0,012. Foi o único método com IC acima de zero nas três quantidades de rótulos.
O texto serve a quem decide e a quem modela. Todos os números vêm dos mesmos arquivos de resultado, e o intervalo de confiança aparece ao lado de cada um.
Se vale testar na sua carteira: o ganho principal em AUC, com a conversão em pontos de Gini, onde funcionou e onde não, e os três caminhos possíveis.
ComeçarDo extrato ao modelo de crédito: tokenização, objetivos de pré-treino, arquiteturas e formas de uso, com figuras e os cuidados de point-in-time.
Ler o tutorialPrefere o resumo do tutorial? Percurso técnico, em 12 telas · ~25 min
Como um modelo aprende com o histórico de transações sem precisar de rótulo, e como isso depois vira um score de risco, fraude ou propensão.
LerDoze formas de modelar o histórico de um cliente, cada uma explicada com uma analogia do dia a dia, com o que exige e quanto rendeu.
LerDe onde vem cada método que testamos e qual é a ideia por trás dele, do TabBERT ao nuFormer (Nubank), ao PRAGMA (Revolut) e ao TabPFN.
LerEm que tipo de problema o foundation model compensa, quando o boosting já resolve e o que fazer quando há poucos rótulos.
Ler23 abordagens comparadas em quatro bases e com três quantidades de rótulos, sempre com intervalo de confiança.
LerComo juntamos transições temporais, um encoder pré-treinado e o boosting, e por que o Temporal Booster · Ensemble teve ganho, com IC acima de zero, em 30 dos 36 recortes.
LerA quinta base: fraude na base pública e sintética da IBM, com um score por transação, a métrica AUPRC e um boosting que recebe o histórico do cartão.
LerCinco perguntas para fazer antes de acreditar num ganho de foundation model, com exemplos de cada armadilha.
LerAs bases, o protocolo de avaliação e o que este estudo não consegue mostrar.
LerWeCogno (2026). Foundation models para dados transacionais: quando um foundation model melhora seus modelos de negócio? Estudo técnico, versão de 10/11/2026.
Base bancária: MBD-mini (Sber AI Lab, CC BY 4.0). Fraude em cartão: IBM TabFormer, sintética. Base sintética de cartão gerada pela WeCogno. Dados exportados em 10/11/2026.
Podemos rodar o mesmo protocolo nos seus dados, dentro do seu ambiente, comparando o seu modelo atual com o foundation model e com a arquitetura WeCogno.
Avaliar minha basePrefere e-mail? comercial@wecogno.ai, já com o roteiro de informações do diagnóstico.
Cada organização possui desafios únicos. A WeCogno combina ciência de dados, inteligência artificial e entendimento de negócio para construir soluções alinhadas aos objetivos de cada operação.
Preencha o formulário ou fale diretamente conosco.