İri cədvəl modelləri izah edildi: Generativ süni intellektin yeni formasını başa düşmək

Böyük cədvəl modeli — sabit sətir və sütunlarda səliqəli şəkildə saxlanılan milyardlarla ödəniş əməliyyatı kimi irimiqyaslı cədvəlləri və digər növ mütəşəkkil məlumat dəstlərini təhlil edə bilən süni intellekt sisteminin bir növüdür. O, bu məlumat dəstlərindən istifadə edərək nümunələri axtara və proqnozlar verə bilər. Bu üsulla o, insanların və ya digər proqram təminatı növlərinin aşkar etməkdə çətinlik çəkəcəyi tendensiyaları və davranışları müəyyən etməyə kömək edə bilər. 

OpenAI-ın ChatGPT və Google-un Gemini platformalarını dəstəkləyən böyük dil modelləri strukturlaşdırılmamış məlumatlar kimi də tanınan mətn, şəkil və videolar əsasında öyrədilir. Onlar qısa hekayələr və ya şəkillər kimi oxşar növ mətnlərin yaradılmasında xüsusilə yaxşıdırlar və həmçinin proqram təminatı kodunun hazırlanması üçün də istifadə oluna bilərlər.

LTM tranzaksiya qeydlərinin sətirləri və sütunları kimi strukturlaşdırılmış məlumatlar əsasında öyrədilir. LTM-lər nümunələri müəyyən etməkdə, davranışları proqnozlaşdırmaqda və pərdəarxası sistemləri potensial olaraq təkmilləşdirməkdə yaxşıdır.

Hər iki növ generativ süni intellekt modeli böyük həcmdə məlumatdan istifadə etməklə öyrədilir — istər LLM-lər üçün yazılı mətn, istərsə də LTM-lər üçün təşkil olunmuş verilənlər bazası olsun. Daha sonra hər iki növ model təhlil etmək və proqnozlaşdırmaq üçün bu təlimdən istifadə edə bilər.

Bir LLM üçün bu, milyonlarla cümləni təhlil etdikdən sonra cümlədəki növbəti sözün nə ola biləcəyini proqnozlaşdırmaq demək ola bilər. O, yeni hekayə və ya mahnı sözləri yazmağı bunun sayəsində bacarır.

LTM üçün bu, milyardlarla əvvəlki əməliyyatı təhlil etdikdən sonra kiminsə növbəti ödəniş əməliyyatını proqnozlaşdırmaq demək ola bilər. Beləliklə, o, fırıldaqçılığın qarşısının alınması modellərinə hansının qanuni əməliyyat ola biləcəyi və hansının fırıldaqçılıq ola biləcəyi barədə məlumat verə bilər.

LLM-lər strukturlaşdırılmış məlumatlarla o qədər də güclü olmasa da, LTM-lər bu cür məlumatların emalında və təhlilində üstünlük təşkil edirlər. LTM-lər və LLM-lər müxtəlif növ məlumatlardan öyrəndikləri üçün biri digərini əvəz etmir. Əksinə, onlar müxtəlif işlər görürlər və bir-birini tamamlaya bilərlər. 

LTM-lərdən müxtəlif məlumat dəstlərini və strukturlaşdırılmış məlumatları təhlil etmək üçün istifadə oluna bilər ki, bu da istifadəçilərə çoxlu sayda sətirdən ibarət böyük və fərqli cədvəllər üzrə yeni əlaqələr tapmağa və yeni anlayışlar əldə etməyə imkan verir.

Maliyyə xidmətləri və ödənişlərdə LTM böyük həcmdə tranzaksiya məlumatlarından nümunələri öyrənməklə şübhəli fəaliyyəti daha tez və daha dəqiq müəyyən etməyə kömək edə bilər. O, adi xərcləmə nümunələrini tanıya və nəyinsə qəfil həmin nümunəyə uyğun gəlmədiyini tez bir zamanda aşkar edə bilər. LTM bir çox hallarda normal davranışın necə olduğunu öyrəndiyi üçün fırıldaqçılıq sistemlərinə qanuni alışları fırıldaqçılıq kimi qeyd etməkdən çəkinməyə kömək edə bilər, əsl riski axtarmağa davam etməklə yanaşı, lazımsız kart imtinalarını azaldır.

Mastercard öz LTM-lərini inkişaf etdirməyə başladı, məhz bu cür ssenariləri və istifadə halları araşdırmaq üçün milyardlarla anonimləşdirilmiş əməliyyat əsasında öyrədildi. Hesab edirik ki, LTM-lərimiz kibertəhlükəsizlik, loyallıq və mükafatlandırma proqramları, fərdiləşdirmə modelləri, portfelin optimallaşdırılması və məlumat analitikası alətləri üçün istifadə oluna bilər. Bundan əlavə, LTM mövcud ənənəvi maşın öyrənməsi süni intellekt sistemlərindən daha çevik olduğuna görə, bu gün minlərlə daha ənənəvi maşın öyrənməsi modeli qurmaq və saxlamaq əvəzinə, bir neçə LTM-dən istifadə edə bilərik.

Ödənişlər və maliyyə xidmətləri ilə yanaşı, LTM-lər əczaçılıqdan tutmuş enerjiyə, nəqliyyat və logistikaya qədər böyük həcmdə strukturlaşdırılmış məlumatları idarə edən istənilən sənaye sahəsində istifadə oluna bilər ki, təşkilatlar öz məlumatlarında yeni anlayışlar müəyyən edə bilsinlər.

Bu məqalənin dərc olunduğu tarixə olan ictimaiyyətə açıq məlumatlara əsasən, hazırda istehsalda olan LTM-lərin az olduğu (əgər ümumiyyətlə varsa) görünür. Bununla belə, bir çox şirkət öz LTM-lərinin tədqiqi və işlənib hazırlanmasından indiyədək müsbət nəticələr əldə etdiyini elan edib və bir çoxu istehsal istiqamətində çalışır. Hər gün generativ süni intellekt imkanları haqqında xəbərlər yayılır, ona görə də LTM-lərlə bağlı sürətli dəyişikliklər və yeni kəşflər gözlənilməlidir.

Hələlik görünür ki, LLM-lərdən fərqli olaraq LTM-lər pərdə arxasında fəaliyyət göstərməyə, fırıldaqçılığın qarşısının alınması sistemlərini gücləndirməyə, böyük verilənlər bazalarını təhlil etməyə və təşkilatlar daxilində data elmi imkanlarını gücləndirməyə daha çox meyillidir.

LTM-lərin süni intellekt agentləri ilə necə əlaqə quracağını hələ bilmirik. Bu gün LLM-lər ChatGPT kimi bir çox növ süni intellekt agentlərini işə salmaq üçün əsas kimi istifadə olunur, lakin eyni cür istifadə halları LTM-lər üçün o qədər də aşkar deyil, çünki onlar daha çox təşkilatların əməliyyatlarını və sistemlərini təkmilləşdirmək və optimallaşdırmaq üçün istifadə olunur. Bununla belə, biz elə bir gələcəyi təsəvvür edə bilərik ki, burada agent LLM-lərlə bu gün edildiyinə bənzər şəkildə real dünya problemlərini həll etmək üçün LTM ilə işləyə bilər.

Məsələn, agent bir gün gen-AI söhbət botu vasitəsilə alış-veriş edən şəxs üçün fərdiləşdirilmiş tövsiyələri dəstəkləmək məqsədilə LTM-dən əldə edilən təhlildən istifadə edə bilər. Bununla da, LTM-lər nəticədə alış-veriş etmək, kəşf etmək və almaq üçün bu agentlərdən istifadə edən yeni və inkişaf etməkdə olan pərakəndə satış forması olan agent əsaslı ticarəti dəstəkləməyə kömək etmək üçün istifadə oluna bilər.