Les systèmes traditionnels de détection de fraude et d'analyse transactionnelle reposent encore trop sur des règles manuelles et des caractéristiques prédéfinies, rendant les modèles rigides et peu adaptés aux séquences comportementales des clients. Face à cette limite, l'industrie bancaire et des paiements se tourne vers les modèles fondateurs transactionnels basés sur des architectures de type transformateur. Des acteurs majeurs comme Stripe, Visa ou Mastercard déploient déjà cette approche pour extraire des représentations générales du comportement financier à partir de milliards de transactions non étiquetées. NVIDIA propose une référence technique pour déployer cette technologie de bout en bout, en exploitant l'accélération GPU. La méthode repose sur un pipeline optimisé qui commence par une segmentation personnalisée spécifique au domaine financier. Contrairement aux outils standard qui génèrent trop de sous-mots inutiles, cette approche réduit la charge en tokens de près de deux tiers, permettant de conserver des historiques de transactions beaucoup plus longs. Les données sont ensuite traitées via les bibliothèques CUDA-X pour accélérer la préparation. Le modèle de base, préentraîné sur des séquences transactionnelles brutes, apprend à prédire l'événement financier suivant en s'appuyant sur un mécanisme d'attention. Cette structure capture les dépendances à long terme, comme un lien entre un paiement inhabituel et un voyage récent, que les méthodes classiques peinent à détecter. Après prétraitement, les vecteurs numériques extraits de la dernière position de chaque séquence sont combinés à des caractéristiques tabulaires classiques. Sur le jeu de données IBM TabFormer, cette approche a permis d'obtenir une hausse de près de 50 % de la précision moyenne, une métrique essentielle pour la détection de fraude dans des contextes de forte désbalance, et une progression de 0,41 % de l'AUC-ROC par rapport à un modèle XGBoost standard. L'association des données brutes et des vecteurs historiques s'est révélée être la combinaison la plus performante. L'architecture proposée est entièrement modulaire. Les équipes peuvent adapter la segmentation à de nouveaux schémas de données, remplacer le transformateur par un autre modèle compatible, ou orienter l'inférence vers d'autres objectifs métier tels que la prédiction de churn, la segmentation client ou le scoring de crédit. Le framework intègre des mécanismes d'orchestration multi-GPU et de sauvegarde automatique pour faciliter le passage à l'échelle. Cette solution démontre la capacité des modèles fondateurs à transformer la donnée transactionnelle brute en signaux prédictifs opérationnels. Les notebooks et les modèles pré-entraînés sont accessibles publiquement et peuvent être déployés sur l'infrastructure cloud de NVIDIA. Alors que les institutions financières cherchent à renforcer leur résilience et leur efficacité analytique, cette méthode établit un nouveau standard pour l'intelligence transactionnelle accélérée par le calcul haute performance.