Objašnjenje velikih tabelarnih modela: Razumijevanje novog oblika generativne umjetne inteligencije

Veliki tabelarni model je vrsta gen-AI sistema koji može analizirati tabele velikih razmjera i druge vrste organizovanih skupova podataka, kao što su milijarde transakcija plaćanja uredno pohranjenih u fiksnim redovima i kolonama. Može tražiti obrasce i davati predviđanja koristeći ove skupove podataka. Na ovaj način može pomoći u prepoznavanju trendova i ponašanja koja bi ljudima ili drugim vrstama softvera bilo teško otkriti. 

Veliki jezični modeli, koji pokreću OpenAI-jev ChatGPT i Googleov Gemini, treniraju se na tekstu, slikama i videozapisima, poznatima i kao nestrukturirani podaci. Oni su posebno dobri u kreiranju sličnih vrsta sadržaja, kao što su kratke priče ili slike, a mogu se koristiti i za razvoj softverskog koda.

LTM se obučava na strukturiranim podacima, kao što su redovi i kolone evidencija transakcija. LTM-ovi su dobri u pronalasku obrazaca, predviđanju ponašanja i potencijalnom poboljšanju sistema iza scene.

Obje vrste generativnih AI modela treniraju se pomoću ogromnih količina podataka — bilo da se radi o pisanom tekstu za LLM-ove ili organiziranim skupovima podataka za LTM-ove. Obje vrste modela tada mogu koristiti ovo treniranje za analizu i predviđanje.

Za LLM to može značiti predviđanje koja bi mogla biti sljedeća riječ u rečenici nakon što je analizirao milione i milione rečenica. Tako je u mogućnosti da napiše novu priču ili tekst pjesme.

Za LTM to može značiti predviđanje sljedeće platne transakcije nekog korisnika nakon analize milijardi prethodnih transakcija. Na taj način modelima za prevenciju prevara može pružiti informacije o tome šta je vjerovatno legitimna transakcija, a šta bi mogla biti prevara.

Iako jezički modeli (LLM) nisu toliko dobri sa strukturiranim podacima, LTM-ovi obično postižu odlične rezultate u obradi i analizi ove vrste informacija. Budući da LTM-ovi i jezički modeli (LLM) uče iz različitih vrsta podataka, jedan ne zamjenjuje drugi. Umjesto toga, oni obavljaju različite zadatke i mogu se međusobno dopunjavati. 

LTM-ovi se mogu koristiti za analizu različitih skupova podataka i strukturiranih podataka, omogućavajući korisnicima da pronađu nove veze i steknu nove uvide u velikim i različitim tabelama s mnogo redova podataka.

U finansijskim uslugama i plaćanjima, LTM bi mogao pomoći u ranijem i preciznijem prepoznavanju sumnjivih aktivnosti učenjem obrazaca iz velikih količina podataka o transakcijama. Može prepoznati tipične obrasce potrošnje i brzo identificirati kada se nešto iznenada ne uklapa u taj obrazac. Budući da LTM uči kako izgleda normalno ponašanje u mnogim situacijama, može pomoći sistemima za prevare da izbjegnu i označavanje legitimnih kupovina kao prevara, čime se smanjuju nepotrebna odbijanja kartica uz istovremeno traženje stvarnog rizika.

Mastercard je počeo razvijati vlastite LTM-ove, trenirane na milijardama anonimiziranih transakcija, kako bi istražio upravo ove vrste scenarija i primjena. Vjerujemo da se naši LTM-ovi mogu koristiti za kibernetičku sigurnost, programe lojalnosti i nagrađivanja, modele personalizacije, optimizaciju portfolija i alate za analitiku podataka. Dodatno, budući da je LTM fleksibilniji od postojećih tradicionalnih AI sistema mašinskog učenja, možda ćemo moći koristiti pregršt LTM-ova umjesto da danas gradimo i održavamo hiljade tradicionalnijih modela mašinskog učenja.

Pored plaćanja i finansijskih usluga, LTM-ovi bi se mogli koristiti u bilo kojoj industriji koja upravlja velikim količinama strukturiranih podataka – od farmacije preko energetike do transporta i logistike – kako bi organizacije mogle identificirati nove uvide u svojim podacima.

Na osnovu javno dostupnih informacija od datuma objavljivanja ovog članka, čini se da je danas u upotrebi malo — ako uopšte ikakvih — LTM-ova. Međutim, mnoge kompanije su do sada objavile pozitivne rezultate svog istraživanja i razvoja vlastitih LTM-ova, a čini se da mnoge rade na njihovoj proizvodnji. Svakim danom stižu vijesti o mogućnostima generativne AI, stoga treba očekivati brze promjene i nova otkrića koja uključuju LTM-ove.

Za sada se čini da će LTM-ovi, za razliku od jezičkih modela (LLM), češće raditi u pozadini, jačajući sisteme za prevenciju prevara, analizirajući velike skupove podataka i snažeći mogućnosti nauke o podacima unutar organizacija.

Još uvijek ne znamo kako bi LTM-ovi mogli komunicirati s AI agentima. Danas se LLM-ovi koriste kao temelj za pokretanje mnogih vrsta AI agenata, poput ChatGPT-a, ali iste vrste slučajeva upotrebe nisu toliko očigledne za LTM-ove budući da se oni više koriste za poboljšanje i pojednostavljenje poslovanja i sistema organizacija. Međutim, možemo zamisliti budućnost u kojoj bi agent mogao sarađivati s LTM-om kako bi riješio probleme u stvarnom svijetu na način sličan onome kako se to danas radi s LLM-ovima.

Na primjer, agent bi u nekoj budućnosti mogao iskoristiti analizu iz LTM-a za pokretanje personaliziranih preporuka za nekoga ko kupuje putem četbota sa gen-AI tehnologijom. Na ovaj način, LTM-ovi bi se s vremenom mogli koristiti kao pomoć u pokretanju agentske trgovine, novog i rastućeg oblika maloprodaje koja koristi ove agente za kupovinu, pretraživanje i plaćanje.