Große tabellarische Modelle erklärt: Eine neue Form von Gen AI verstehen

Ein großes Tabellenmodell (Large Tabular Model) ist eine Art generatives KI-System, das groß angelegte Tabellen und andere Arten von organisierten Datensätzen analysieren kann, wie etwa Milliarden von Zahlungstransaktionen, die sauber in festen Zeilen und Spalten gespeichert sind. Es kann mithilfe dieser Datensätze nach Mustern suchen und Vorhersagen treffen. Auf diese Weise kann es dabei helfen, Trends und Verhaltensweisen zu erkennen, die für Menschen oder andere Softwaretypen nur schwer aufzudecken wären. 

Große Sprachmodelle, die hinter OpenAIs ChatGPT und Googles Gemini stehen, werden mit Texten, Bildern und Videos trainiert, die auch als unstrukturierte Daten bezeichnet werden. Sie eignen sich besonders gut zum Erstellen ähnlicher Inhaltstypen wie Kurzgeschichten oder Bildern und können auch zur Entwicklung von Softwarecode verwendet werden.

Ein LTM wird mit strukturierten Daten trainiert, wie etwa den Zeilen und Spalten von Transaktionsdatensätzen. LTMs eignen sich gut zum Erkennen von Mustern, zum Vorhersagen von Verhaltensweisen und zur potenziellen Verbesserung von Systemen hinter den Kulissen.

Beide Arten von generativen KI-Modellen werden anhand riesiger Datenmengen trainiert – seien es geschriebene Texte für LLMs oder organisierte Datensätze für LTMs. Beide Modelltypen können dieses Training dann zum Analysieren und Prognostizieren nutzen.

Für ein LLM kann dies bedeuten, dass vorhergesagt wird, wie das nächste Wort in einem Satz lautet, nachdem Millionen und Abermillionen von Sätzen analysiert wurden. Dadurch ist es in der Lage, eine neue Geschichte oder Liedtexte zu verfassen.

Bei einem LTM kann dies bedeuten, dass die nächste Zahlungstransaktion einer Person vorhergesagt wird, nachdem Milliarden von vorherigen Transaktionen analysiert wurden. Auf diese Weise können Betrugspräventionsmodelle darüber informiert werden, was wahrscheinlich eine rechtmäßige Transaktion und was möglicherweise Betrug ist.

Während LLMs bei strukturierten Daten nicht so stark sind, zeichnen sich LTMs durch die Verarbeitung und Analyse dieser Art von Informationen aus. Da LTMs und LLMs aus unterschiedlichen Arten von Daten lernen, ersetzt das eine das andere nicht. Vielmehr erfüllen sie unterschiedliche Aufgaben und können sich gegenseitig ergänzen. 

LTMs können verwendet werden, um verschiedene Datensätze und strukturierte Daten zu analysieren, sodass Benutzer neue Zusammenhänge finden und über große und heterogene Tabellen mit vielen Datenzeilen hinweg neue Erkenntnisse gewinnen können.

Im Finanzdienstleistungs- und Zahlungsverkehrssektor könnte ein LTM dazu beitragen, verdächtige Aktivitäten früher und genauer zu erkennen, indem es Muster aus großen Mengen von Transaktionsdaten erlernt. Es könnte typische Ausgabenmuster erkennen und schnell identifizieren, wenn etwas plötzlich nicht mehr in dieses Muster passt. Da ein LTM lernt, wie normales Verhalten in vielen Situationen aussieht, kann es Betrugssystemen auch dabei helfen, zu vermeiden, dass legitime Käufe als Betrug markiert werden, wodurch unnötige Kartenablehnungen reduziert werden, während gleichzeitig nach echten Risiken gesucht wird.

Mastercard hat mit der Entwicklung eigener LTMs begonnen, die mit Milliarden anonymisierter Transaktionen trainiert wurden, um genau diese Arten von Szenarien und Anwendungsfällen zu untersuchen. Wir sind der Ansicht, dass unsere LTMs für Cybersicherheit, Treue- und Prämienprogramme, Personalisierungsmodelle, Portfolio-Optimierung und Datenanalysetools verwendet werden könnten. Da ein LTM zudem flexibler ist als bestehende herkömmliche KI-Systeme für maschinelles Lernen, können wir möglicherweise eine Handvoll LTMs anstelle der heutigen Erstellung und Pflege von Tausenden herkömmlicher Modelle für maschinelles Lernen verwenden.

Neben Zahlungsverkehr und Finanzdienstleistungen könnten LTMs in jeder Branche eingesetzt werden, die große Mengen strukturierter Daten verwaltet – von der Pharmaindustrie über die Energiewirtschaft bis hin zu Transport und Logistik –, sodass Unternehmen neue Erkenntnisse aus ihren Daten gewinnen können.

Basierend auf öffentlich zugänglichen Informationen zum Veröffentlichungsdatum dieses Artikels scheint es heute nur wenige – wenn überhaupt – LTMs im Produktivbetrieb zu geben. Bislang haben jedoch viele Unternehmen positive Ergebnisse aus der Forschung und Entwicklung ihrer eigenen LTMs bekannt gegeben, und viele scheinen auf den Produktivbetrieb hinzuarbeiten. Täglich gibt es Neuigkeiten zu den Funktionen von generativer KI, weshalb schnelle Veränderungen und neue Entdeckungen im Zusammenhang mit LTMs zu erwarten sind.

Derzeit deutet vieles darauf hin, dass LTMs im Gegensatz zu LLMs eher im Hintergrund arbeiten, Betrugspräventionssysteme stärken, große Datensätze analysieren und die Data-Science-Fähigkeiten innerhalb von Unternehmen ausbauen.

Wir wissen noch nicht, wie LTMs mit KI-Agenten interagieren könnten. Heute werden LLMs als Grundlage für viele Arten von KI-Agenten wie ChatGPT genutzt, doch ähnliche Anwendungsfälle liegen bei LTMs nicht so nahe, da diese eher zur Verbesserung und Optimierung der Abläufe und Systeme von Organisationen eingesetzt werden. Wir können uns jedoch eine Zukunft vorstellen, in der ein Agent mit einem LTM zusammenarbeiten könnte, um reale Probleme auf ähnliche Weise zu lösen, wie dies heute bei LLMs der Fall ist.

Ein Agent könnte beispielsweise eines Tages die Analyse aus einem LTM nutzen, um personalisierte Empfehlungen für Personen zu ermöglichen, die über einen generativen KI-Chatbot einkaufen. Auf diese Weise könnten LTMs schließlich dazu verwendet werden, den agentenbasierten Handel (Agentic Commerce) zu unterstützen – eine neue und sich entwickelnde Form des Einzelhandels, bei der solche Agenten zum Einkaufen, Entdecken und Kaufen eingesetzt werden.