Revolut, Bankacılıkta Üretim Foundation Modeli PRAGMA’yı Devreye Aldı
revolut, transaction-foundation-models alanında PRAGMA (PRe-trained Banking Foundation Model) adlı unified transformer modelini üretime aldı. nvidia H100 GPU’ları üzerinde eğitilen model, 40 milyar event, 25 milyondan fazla kullanıcı ve 111 ülkeden gelen veriyle besleniyor. Şirketin internal benchmark’ları fraud recall’da %64,7 iyileşme bildiriyor — ancak bu metrikler bağımsız olarak doğrulanmadı.
Ana Gelişme
PRAGMA, encoder-only transformer mimarisiyle fraud detection, credit scoring, engagement ve product recommendation için ayrı ayrı eğitilmiş modellerin yerini almayı hedefliyor. Eğitim altyapısı Nebius bulutundaki NVIDIA H100 cluster’ları üzerinde gerçekleştirildi; GTC 2026’da sunuldu ve teknik detaylar arXiv:2604.08649 makalesinde yayımlandı.
Model ailesi farklı boyutlarda sunuluyor. PRAGMA-S (10M parametre) 16 GPU’da yaklaşık 2 günde converge ediyor; daha büyük varyantlar 16–32 GPU’da yaklaşık 2 hafta sürüyor. Real-time fraud screening için sub-second latency hedefleniyor.
revolut veri seti yalnızca transaction’lardan ibaret değil: uygulama navigasyonu, trading aktivitesi ve push notification etkileşimleri de modele dahil. Bu, dikey foundation-models yaklaşımının tipik genel amaçlı LLM’lerden farkını gösteriyor.
Neden Önemli?
banking-automation ve fintech-ai alanında transaction foundation model’ler rekabet katmanı haline geliyor. stripe, Mastercard ve Visa da benzer yönde modeller geliştiriyor; ancak revolut’un 25 milyon kullanıcı ölçeğinde unified modeli üretime alması sektörde ilkler arasında gösteriliyor.
Türk neo-bank ve fintech ekipleri için ders net: specialized model’ler yerine tek bir vertical foundation model, cross-task transfer ile operasyonel maliyeti düşürebilir — ancak veri hacmi ve GPU altyapısı ciddi yatırım gerektiriyor.
Warning
Aşağıdaki performans metrikleri yalnızca Revolut’un internal benchmark’larıdır; bağımsız doğrulama yapılmamıştır.
- Fraud recall: %64,7 iyileşme
- Fraud precision: %16,7 artış
- Credit default risk accuracy: 2,3×
- Product recommendation relevance: %41 artış
- Credit scoring PR-AUC: %130’a kadar uplift (internal)
Teknik Detaylar
arXiv makalesi, PRAGMA’nın per-user encoder yaklaşımını detaylandırıyor. Bu tasarım fraud ve credit scoring’de güçlü sonuçlar verse de AML (Anti-Money Laundering) F-0.5 skorunda %47,1 düşüş gösteriyor — model graph-aware yapıları yakalayamıyor. Bu sınırlama, unified model stratejisinin her use case’te specialized model’leri tamamen ikame edemeyeceğini gösteriyor.
Unified transformer vs specialized model trade-off’u fintech ekipleri için kritik karar noktası: tek model operasyonel basitlik sağlarken, niş görevlerde (AML gibi) performans kaybı kabul edilebilir olmayabilir.
Bağlam
ai-investment-trends bağlamında vertical foundation model’ler, genel amaçlı LLM’lerin finans sektöründeki sınırlarını gösteriyor. neobank-fraud ve ai-finance alanında PRAGMA, “behavioral intelligence layer” kavramını somutlaştırıyor.
Sonraki Adımlar
PRAGMA’nın peer-review süreci ve bağımsız benchmark sonuçları izlenecek. Transaction foundation model trend’inin stripe ve ödeme ağları tarafından nasıl karşılanacağı, Türk fintech ekosisteminin vertical model stratejisi açısından referans noktası olacak.