Finanzinstitute und FinTech-Unternehmen wie Stripe, Nubank, Visa und Mastercard treiben aktuell den Einsatz transaktionsbasierter Foundation Models voran, um komplexe Kundenverhaltensmuster zu erfassen und Betrugsrisiken präziser zu steuern. NVIDIA hat nun ein vollständiges Entwicklerbeispiel veröffentlicht, das den Build-Prozess einer solchen Infrastruktur auf GPU-beschleunigter Hardware dokumentiert. Der Ansatz adressiert die Limitationen traditioneller regelbasierter Systeme, die sequenzielle Abhängigkeiten in Zahlungsdaten oft nur unzureichend abbilden können. Der vorgestellte Workflow nutzt die CUDA-X-Bibliotheken cuDF und cuML für die datenintensive Vorverarbeitung. Ein maßgeschneiderter, domänenspezifischer Tokenizer reduziert den Overhead im Vergleich zu Standard-LLM-Tokenizern erheblich und ermöglicht die Analyse längerer Transaktionshistorien innerhalb definierter Kontextfenster. Auf dieser Basis wird ein Transformer-Decoder über NeMo AutoModel durch kausales Sprachmodell-Training vortrainiert. Das System erlernt dabei strukturelle Muster aus ungelabelten Sequenzen, ohne explizite Zielvorgaben zu benötigen. Bei der Validierung auf dem IBM TabFormer-Datensatz mit rund 24,4 Millionen synthetischen Kartentransaktionen liefern die extrahierten Embeddings kombiniert mit einem GPU-optimierten XGBoost-Klassifikator messbare Vorteile. Gegenüber einer reinen Feature-Baseline steigt die Average Precision um mehr als vierzig Prozent, während der ROC-AUC ebenfalls signifikant zunimmt. Diese Metriken belegen die direkte Umsetzbarkeit in produktiven Fraud-Detection-Pipelines mit begrenzter manueller Prüfkapazität. Die Architektur des Beispiels ist vollständig modular ausgelegt. Tokenisierungspipeline, Modellarchitektur und Downstream-Modelle lassen sich unabhängig austauschen und auf zusätzliche Use Cases wie Kundenkündigungsvorhersage, Score-Bewertung oder personalisierte Empfehlungen skalieren. Das Repository unterstützt nahtlose Multi-GPU-Skalierung über FSDP2 und Mixed Precision. Über NVIDIA Launchable oder GitHub steht der vollständige, reproduzierbare Workflow bereit, der den Übergang von statischem Feature-Engineering zu kontextbasierten, lernenden Repräsentationen im Finanzsektor untermauert.