Die KI hinter Uplift

Ebenso wie Adyen alle End-to-End-Funktionen auf einer zentralen Plattform bündelt, betrachten wir auch jede einzelne Transaktion ganzheitlich.

Alle Schritte im Zahlungsfluss hängen zusammen. Jeder Schritt baut auf dem vorherigen auf und bildet ein komplexes Netzwerk von Abhängigkeiten. Das Bezahlerlebnis der Kunden hängt beispielsweise vom prognostizierten Risiko ab. Dieses wiederum wird vom Ergebnis der Authentifizierung und der Wahl des Zahlungswegs beeinflusst, was sich direkt auf die Kosten auswirkt. Daraus ergibt sich wiederum die passende Retry-Strategie bei fehlgeschlagenen Zahlungen.

Um diesen komplexen Prozess optimal zu steuern, haben wir ein System entwickelt, das globale Entscheidungen über die gesamte Payment Journey hinweg trifft.

Gleichzeitig schätzen Menschen Kontrolle und Transparenz, auch wenn regelbasierte Ansätze fehleranfällig sind. Ältere Systeme wie das klassische RevenueProtect boten daher eine lange Liste an Bedingungen für WENN-DANN-Regeln. Das vermittelte zwar ein Gefühl von Kontrolle, entscheidend sind jedoch die Daten. Die Qualität eines Systems zeigt sich nicht in seiner Architektur, sondern in seiner tatsächlichen Performance.

Die Lösung für Skalierbarkeit bei steigender Komplexität und hohem Volumen liegt darin, Entscheidungen an die Maschine zu übergeben. Nur so erreichen wir maximale globale – statt nur lokaler – Performance. Angesichts der komplexen Muster lernt die Maschine direkt aus den Daten.

Wie bei allen KI-Anwendungen konkurrieren Menschen nicht mit der Maschine, sondern überwachen ihr Verhalten.

Im Folgenden stellen wir die Entscheidungen, die Engineering-Architektur und die Wissenschaft hinter der KI von Uplift vor.

In der Vergangenheit haben wir Machine-Learning-Modelle eingesetzt, um einzelne Transaktionsschritte isoliert zu optimieren. Ein Betrugsmodell schätzte etwa die Rückbuchungswahrscheinlichkeit und blockierte die Transaktion ab einem bestimmten Schwellenwert. Ein unabhängiges Authentifizierungsmodell entschied zeitgleich über den besten Pfad für Nutzerinnen und Nutzer (z. B. SCA-Ausnahme oder 3DS1-Authentifizierung).

Die KI hinter Uplift bricht mit diesem Muster. Sie betrachtet den gesamten Entscheidungskontext und kombiniert verschiedene Machine-Learning-Modelle, die Wissen und Kontext teilen. Über Reinforcement Learning optimieren wir diese Modelle global mit einem klaren Ziel: Betrug, Kosten und Conversion in Einklang zu bringen.

Blicken wir auf einige Zahlen der Adyen-Plattform aus dem Jahr 2023:

• 1 Billion USD verarbeitetes Volumen auf der Plattform

• 26 % Wachstum gegenüber dem Vorjahr

• SLA für die Transaktionsverarbeitung: 1 Sekunde (inklusive ca. 600 ms für die Kommunikation mit dem Acquirer)

Ein Blick auf die Zahlen während der vier Tage von Black Friday und Cyber Monday 2024 verdeutlicht die Größendimensionen:

• 670 Millionen Transaktionen

• Spitzenwert Transaktionsrate: 163.000 pro Minute (2.700 Transaktionen pro Sekunde)

• Spitzenwert API-Anfragen: 25.000 pro Sekunde

• API-Uptime: 99,9999 %

All diese Transaktionen wurden auf ihrem Weg durch die Adyen-Plattform von KI gesteuert. Jede einzelne Transaktion durchlief zwei bis fünf KI-Endpoints, an denen Machine-Learning-Modelle Entscheidungen trafen – mit einer zugewiesenen Latenz von durchschnittlich 20 ms (Median).

Möglich machen das präzise entwickelte Komponenten:

Hinweis: Alle kritischen Abläufe bei Adyen laufen On-Premise. Sämtliche Komponenten – inklusive der Compute-Hardware – werden von Adyen selbst entwickelt, bereitgestellt, getestet und betrieben. Wir setzen stark auf Open Source. Dank vollständiger End-to-End-Kontrolle führen wir Änderungen schnell und ohne Abhängigkeiten von Drittanbietern durch.

Feature Platform

Die KI ist an eine Feature Platform angebunden, die Eingabevektoren mit geringer Latenz, hoher Kardinalität und hohem Volumen weltweit für Training und Inferenz bereitstellt. Für komplexe Features nutzen wir distributed computing über Apache Spark. Schnelle Features berechnen wir mit Apache Flink und speichern sie in einem Cassandra-Backend ab, das über Rechenzentren weltweit verteilt ist.

Die Feature Platform bedient Features mit einer Kardinalität im zweistelligen Milliardenbereich bei Latenzen im einstelligen Millisekundenbereich.

Inference-Service

Nach dem Training wird das Modell-Artefakt registriert, gespeichert und bereitgestellt. Unser Inference-Service „Alfred“ ermöglicht es Data Scientists, Experimente zu erstellen, Modelle auszuwählen, Baselines zu definieren und den Traffic entsprechend aufzuteilen.

Alfred stellt einen internen API-Endpoint bereit, der direkt an den Zahlungsfluss angebunden ist. Er bedient Anfragen verlässlich mit einer Latenz von p50 = 20 ms und p99 = 100 ms.

Der Inference-Service übernimmt auch das Modellmanagement nach dem Principal-Challenger-Prinzip:

• Principal: Das führende Modell verarbeitet den Großteil des Traffics und zeigt über alle Versionen hinweg die stärkste Performance.

• Ghost: Neue Modelle protokollieren Telemetrie und Statistiken im Hintergrund, ohne Entscheidungen zu beeinflussen.

• Challenger: Das Modell beeinflusst Entscheidungen für einen festgelegten Traffic-Anteil und wird evaluiert.

Erreicht ein Challenger statistisch signifikant bessere Ergebnisse als der Principal, lösen wir das alte Modell ab und befördern den Challenger zum neuen Principal.

Experimentation-Service

Alle Modell-Deployments laufen über einen Experimentation-Service. Mittels A/B/n-Tests vergleichen wir die Performance jedes Modells mit einer einheitlichen Kontrollgruppe. Graduelle Rollouts stellen sicher, dass wir neue Erkenntnisse risikofrei im Live-Betrieb gewinnen.

In der Kontrollgruppe greifen die Modelle nicht ein. Sie dient als Vergleichsbasis. Unsere Markt-Baseline umfasst standardmäßige Maßnahmen: das Blockieren bekannter gestohlener Karten, SCA-Ausnahmen, die Nutzung von Network Token und erneute Versuche mit Challenge-Authentifizierung bei Fehlschlägen. Das führt zu einer realistischen und ehrlichen Berechnung unseres Mehrwerts.

Entity Resolution

Einer der größten Datenspeicher bei Adyen ist ein Graph, der Transaktionsattribute verknüpft, um Entitäten zu erkennen. Dieser Graph dient als wertvolle Informationsquelle für Feature-Extraktion und Modelltraining.

Unter strenger Einhaltung von PCI DSS und DSGVO nutzen wir diese Daten für risikobasierte Entscheidungen. Wir schätzen, dass bisher mehr als 1 Milliarde Menschen Transaktionen über die Adyen-Plattform getätigt haben. Der Graph umfasst heute mehr als 100 Milliarden Knoten und 300 Milliarden Kanten.

Um Komplexität und Datenvolumen effizient zu verarbeiten, migrieren wir das System auf eine Lambda-Architektur: Ein Online-Fluss auf Cassandra-Basis verknüpft Daten effizient in Echtzeit. Ein Offline-Fluss führt stündlich komplexe Berechnungen durch und korrigiert Verknüpfungen im Online-Speicher. Wir nennen dieses System CELL (Customer Event Linking Logic).

Rechenleistung und Speicherkapazität

KI in dieser Größenordnung erfordert eine leistungsfähige Infrastruktur. Stand Januar 2025 umfasst unsere Datenplattform:

• 1.500+ Knoten

• 600 TB RAM

• 60.000 CPU-Kerne

• 70 PB Speicher

• 96x NVIDIA A100 Tensor Core GPUs mit NVLink Bridge

• 1.000+ täglich oder ad-hoc laufende DAGs (basierend auf Airflow und Spark)

Wir investieren kontinuierlich in unsere eigene Cloud-Infrastruktur, um maximale Verfügbarkeit und Zukunftssicherheit zu gewährleisten.

Regulierung, Authentifizierung und Token Vaults

Skalierung bedeutet auch Verantwortung. Immer mehr Unternehmen vertrauen Adyen ihre Zahlungen und Finanzdienstleistungen an. Wir entwickeln technische Lösungen, die gesetzliche Vorgaben nativ erfüllen und gleichzeitig das Wachstum unserer Partner beschleunigen.

Unter Richtlinien wie PSD2/PSD3 setzen wir Maßstäbe für Compliance und Conversion-Optimierung. Uplift entscheidet dynamisch über den besten Authentifizierungspfad (z. B. SCA-Ausnahme, 3DS oder Passkeys), um Betrug, Kosten und Conversion optimal auszubalancieren.

Zusätzlich verwaltet unser Token Vault über 2 Milliarden Token sicher und PCI-konform. Die KI in Uplift wählt flexibel zwischen Tokenisierung, Token-Nutzung oder PAN-Tausch basierend auf globalen Optimierungszielen.

Eine KI ist nur so stark wie ihr Handlungsspielraum. Mit Uplift haben wir regelkonforme Handlungsoptionen geschaffen, die das volle Potenzial der KI freisetzen.

Ganzheitliche Entscheidungsfindung

Mehrere eigenständige Machine-Learning-Modelle auf ein gemeinsames Ziel auszurichten, ist eine komplexe Aufgabe. Uplift nutzt Message Passing – einen einfachen, aber effizienten Ansatz, durch den Modelle Informationen austauschen und sich dem globalen Optimum annähern.

Wir haben auch größere Deep-Learning-Modelle getestet. Diese beeinträchtigten jedoch häufig die strengen Latenz- und Verfügbarkeitsanforderungen im kritischen Zahlungsfluss. Wir erforschen diesen Ansatz weiter und planen, die Pipeline schrittweise auf Deep-Learning-Architekturen umzustellen.

In Zusammenarbeit mit dem AMLAB der Universität Amsterdam (UvA) fördern wir zudem eine Promotion im Bereich Reinforcement Learning.

Off-Policy Evaluation

A/B-Tests im Live-Betrieb erfordern Zeit und Ressourcen. Eine schwache Variante verursacht Kosten, und das Erreichen statistischer Signifikanz dauert oft lange.

Mit Off-Policy Evaluation führen wir A/B-Tests offline durch. Neue Varianten lassen sich sofort testen – mit einer Korrelation von über +80 % zu tatsächlichen Live-A/B-Tests. Das spart uns geschätzt 20 Wochen pro Jahr an Testzeit und ermöglichte im Sechsmonatszeitraum 9 bis 54 Millionen zusätzliche erfolgreiche Transaktionen.

Kontrafaktische Analysen und Causality

Bei Entscheidungen – wie dem Blockieren einer verdächtigen Transaktion – ist das tatsächliche Ergebnis ohne den Eingriff unbekannt (kontrafaktischer Zustand). Disziplinen wie Causal Inference (kausale Inferenz) helfen uns, Ursachen genauer zu verstehen, ohne echte Transaktionen zu gefährden.

Gemeinsam mit dem AMLAB der UvA fördern wir eine weitere Promotion zur kausalen Inferenz bei großen Datensätzen. Zudem entwickeln wir einen Transaktionssimulator mit Generativer KI, mit dem wir Algorithmen vor dem Einsatz am Live-Traffic testen können.

Weak Supervision

Verlässliche Labels sind oft knapp oder treffen verzögert ein. Hier setzt Weak Supervision an: Modelle profitieren oft stärker von einer größeren Datenmenge – selbst wenn diese leicht verrauscht ist – als von einer kleinen Menge perfekter Daten.

Weak Supervision speist das „Adyen Data Flywheel“. Im Live-Einsatz konnten wir den Recall um +22 % steigern, Autorisierungsverluste um -46 % reduzieren und die Ablehnungsquote durch Emittenten dank präziserer Betrugserkennung um +13 % verbessern.

Non-uniform Random Exploration für Contextual Bandits

Bei Echtzeit-Experimenten in Reinforcement-Learning-Systemen besteht stets die Abwägung zwischen der besten bekannten Aktion (Exploitation) und dem Testen neuer Wege (Exploration). Neben Ansätzen wie Epsilon-Greedy setzen wir auf Regression Oracles, um die Exploration effizient zu gestalten, ohne die Performance zu gefährden.

Deep Learning & Ensembling

Klassische ML-Algorithmen wie Boosted Trees bieten weiterhin eine starke Basis für strukturierte Daten. In Tests setzen wir jedoch zunehmend auf Heterogeneous Ensembles von Neuronalen Netzen zur Echtzeit-Bewertung im Zahlungsfluss. Diese übertreffen bestehende Baselines und rechtfertigen die höhere betriebliche Komplexität.

Transformer-Architekturen

Wir nutzen Unsupervised Pretraining und Transformer-Modelle, um das volle Potenzial unserer Daten zu erschließen. Ähnlich wie Sätze aus Wörtern bestehen, bestehen Kundenprofile aus Transaktionssequenzen. Transformer erlauben es uns, ein zentrales Payment-Modell auf Basis von Milliarden Transaktionen zu trainieren. Das verbessert Shopper Insights, stärkt die Betrugserkennung und eröffnet neue Forschungsfelder wie die Generierung synthetischer Daten.

Observability

Nach dem Deployment überwachen wir die Modellperformance kontinuierlich. Neben klassischer Drift Detection (MLOps) nutzen wir Verfahren wie MIST (Multiple Irregular Seasonalities and Trend decomposition) und DTW (Dynamic Time Warping), um Abweichungen frühzeitig zu erkennen.

Fairness und Erklärbarkeit

Automatisierte Entscheidungen müssen fair und frei von Verzerrungen (Bias) sein. Ein internes Gremium aus Tech- und Rechtsexperten stellt sicher, dass alle Modelle Regularien wie DSGVO und den EU AI Act einhalten. Jede KI-Entscheidung wird protokolliert und erklärt (z. B. über SHAP-Werte). Das Dashboard von Adyen Uplift stellt diese Erklärungen für jede Transaktion transparent dar.

Diese Einblicke zeigen den aktuellen Stand von Adyen Uplift, doch wir entwickeln unsere Systeme kontinuierlich weiter.

Wir erforschen aktiv Themen wie Agentic Flows, Alignment, das Zusammenspiel von Weak Supervision und Active Learning sowie Identity Representation Learning mit Differential Privacy.

Möchten Sie mit uns die Zukunft der Finanztechnologie gestalten? Besuchen Sie unsere Karriereseite und werden Sie Teil unseres Teams!