อธิบายโมเดลตารางขนาดใหญ่: ทำความเข้าใจ gen AI รูปแบบใหม่

โมเดลตารางขนาดใหญ่ (Large Tabular Model) คือประเภทของระบบ AI เชิงสร้างสรรค์ที่สามารถวิเคราะห์ตารางขนาดใหญ่และชุดข้อมูลที่มีการจัดระเบียบประเภทอื่นๆ เช่น ธุรกรรมการชำระเงินหลายพันล้านรายการที่จัดเก็บไว้อย่างเป็นระเบียบในแถวและคอลัมน์คงที่ ระบบสามารถค้นหารูปแบบและทำการคาดการณ์โดยใช้ชุดข้อมูลเหล่านี้ ด้วยวิธีนี้ จึงสามารถช่วยตรวจจับแนวโน้มและพฤติกรรมที่ผู้คนหรือซอฟต์แวร์ประเภทอื่น ๆ อาจค้นพบได้ยาก 

โมเดลภาษาขนาดใหญ่ ซึ่งขับเคลื่อน ChatGPT ของ OpenAI และ Gemini ของ Google ได้รับการฝึกฝนด้วยข้อความ รูปภาพ และวิดีโอ หรือที่เรียกว่าข้อมูลที่ไม่มีโครงสร้าง พวกเขามีความโดดเด่นเป็นพิเศษในการสร้างเนื้อหาประเภทที่คล้ายคลึงกัน เช่น เรื่องสั้นหรือรูปภาพ และยังสามารถนำไปใช้ในการพัฒนาโค้ดซอฟต์แวร์ได้อีกด้วย

LTM ได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่มีโครงสร้าง เช่น แถวและคอลัมน์ของบันทึกธุรกรรม LTM มีความโดดเด่นในการค้นหารูปแบบ การคาดการณ์พฤติกรรม และอาจช่วยปรับปรุงระบบเบื้องหลังได้

Both types of generative AI models are trained using huge volumes of data — whether that’s written text for LLMs or organized datasets for LTMs. Both types of models can then use this training to analyze and predict.

สำหรับ LLM นั่นอาจหมายถึงการคาดการณ์ว่าคำถัดไปในประโยคคืออะไร หลังจากวิเคราะห์ประโยคมาแล้วหลายล้านประโยค นั่นคือวิธีที่ทำให้สามารถเขียนเรื่องราวใหม่หรือเนื้อเพลงขึ้นมาได้

สำหรับ LTM นั่นอาจหมายถึงการคาดการณ์ธุรกรรมการชำระเงินครั้งถัดไปของบุคคล หลังจากวิเคราะห์ธุรกรรมก่อนหน้านี้มาแล้วหลายพันล้านรายการ ด้วยวิธีนี้ จึงสามารถแจ้งข้อมูลแก่โมเดลป้องกันการฉ้อโกงว่าสิ่งใดมีแนวโน้มที่จะเป็นธุรกรรมที่ถูกต้องและสิ่งใดอาจเป็นการฉ้อโกง

แม้ว่า LLM จะไม่มีความแข็งแกร่งเท่ากับข้อมูลที่มีโครงสร้าง แต่ LTM มักจะมีความโดดเด่นในการประมวลผลและการวิเคราะห์ข้อมูลประเภทนี้ เนื่องจาก LTM และ LLM เรียนรู้จากข้อมูลประเภทต่างๆ ทั้งสองจึงไม่สามารถแทนที่กันได้ แต่ทำหน้าที่ต่างกันและสามารถเสริมการทำงานซึ่งกันและกันได้ 

LTMs can be used to analyze different datasets and structured data, allowing users to find new connections and gain new insights across large and disparate tables with many rows of data.

ในบริการทางการเงินและการชำระเงิน LTM สามารถช่วยตรวจหากิจกรรมที่น่าสงสัยได้เร็วขึ้นและแม่นยำยิ่งขึ้นโดยการเรียนรู้รูปแบบจากข้อมูลธุรกรรมจำนวนมาก ระบบนี้สามารถจดจำรูปแบบการใช้จ่ายทั่วไปและระบุได้อย่างรวดเร็วเมื่อมีสิ่งผิดปกติเกิดขึ้นจากรูปแบบนั้นอย่างกะทันหัน เนื่องจาก LTM เรียนรู้ว่าพฤติกรรมปกติมีลักษณะอย่างไรในหลากหลายสถานการณ์ จึงช่วยให้ระบบป้องกันการฉ้อโกงสามารถหลีกเลี่ยงการทำเครื่องหมายการซื้อที่ถูกต้องว่าเป็นความฉ้อโกงได้เช่นกัน ซึ่งช่วยลดการปฏิเสธบัตรโดยไม่จำเป็นในขณะที่ยังคงตรวจสอบความเสี่ยงที่แท้จริงอยู่

Mastercard started developing its own LTMs, trained on billions of anonymized transactions, to investigate exactly these kinds of scenarios and uses. We believe our LTMs could be used for cybersecurity, loyalty and rewards programs, personalization models, portfolio optimization and data analytics tools. Additionally, because an LTM is more flexible than existing traditional machine-learning AI systems, we may be able to use a handful of LTMs instead of building and maintaining thousands of more traditional machine learning models today.

นอกเหนือจากการชำระเงินและบริการทางการเงินแล้ว LTM ยังสามารถนำไปใช้กับอุตสาหกรรมใดก็ตามที่จัดการข้อมูลที่มีโครงสร้างจำนวนมาก ตั้งแต่อุตสาหกรรมยา พลังงาน ไปจนถึงการขนส่งและโลจิสติกส์ เพื่อให้องค์กรสามารถระบุข้อมูลเชิงลึกใหม่ ๆ จากข้อมูลของตนได้

จากข้อมูลที่เปิดเผยต่อสาธารณะ ณ วันที่เผยแพร่บทความนี้ ดูเหมือนว่ามี LTMs อยู่เพียงเล็กน้อย หรือแทบไม่มีเลย ที่ใช้งานจริงในปัจจุบัน อย่างไรก็ตาม หลายบริษัทได้ประกาศผลลัพธ์เชิงบวกจนถึงขณะนี้จากการวิจัยและพัฒนา LTMs ของตนเอง และหลายแห่งดูเหมือนกำลังดำเนินการเพื่อนำไปใช้งานจริง มีข่าวสารออกมาทุกวันเกี่ยวกับความสามารถของ AI เชิงสร้างสรรค์ ดังนั้นจึงควรคาดหวังการเปลี่ยนแปลงอย่างรวดเร็วและการค้นพบใหม่ๆ เกี่ยวกับ LTMs

ในขณะนี้ดูเหมือนว่า LTM จะแตกต่างจาก LLM ตรงที่มีแนวโน้มที่จะทำงานเบื้องหลัง โดยช่วยเสริมสร้างระบบป้องกันการฉ้อโกง วิเคราะห์ชุดข้อมูลขนาดใหญ่ และเสริมแกร่งความสามารถด้านวิทยาศาสตร์ข้อมูลภายในองค์กร

เรายังไม่ทราบว่า LTM จะสามารถโต้ตอบกับ AI agents ได้อย่างไร ปัจจุบัน LLMs ถูกใช้เป็นพื้นฐานในการขับเคลื่อน AI agents หลายประเภท เช่น ChatGPT แต่กรณีการใช้งานประเภทเดียวกันนั้นยังไม่ชัดเจนนักสำหรับ LTM เนื่องจาก LTM ถูกนำมาใช้มากกว่าเพื่อปรับปรุงและเพิ่มความคล่องตัวในการดำเนินงานและระบบขององค์กร อย่างไรก็ตาม เราสามารถจินตนาการถึงอนาคตที่เอเจนต์สามารถทำงานร่วมกับ LTM เพื่อแก้ปัญหาในโลกแห่งความเป็นจริงในลักษณะที่คล้ายคลึงกับที่ทำอยู่ในปัจจุบันด้วย LLMs

For example, an agent could someday use the analysis from an LTM to power personalized recommendations for someone shopping through a gen-AI chatbot. In this way, LTMs could eventually be used to help power agentic commerce, a new and developing form of retail using these agents to shop, discover and buy.