Ex explicando modelos tabulares grandes: entenda uma nova forma de IA generativa

Um modelo tabular grande é um tipo de sistema de IA generativa capaz de analisar tabelas em grande escala e outros tipos de conjuntos de dados organizados, como bilhões de transações de pagamentos armazenadas de forma organizada em linhas e colunas fixas. Ele pode buscar padrões e fazer previsões usando esses conjuntos de dados. Dessa maneira, ele pode ajudar a identificar tendências e comportamentos que seriam difíceis de descobrir por pessoas ou por outros tipos de software. 

Grandes modelos de linguagem, que alimentam o ChatGPT da OpenAI e o Gemini do Google, são treinados em textos, imagens e vídeos, também conhecidos como dados não estruturados. Eles são especialmente bons na criação de tipos semelhantes de conteúdo, como histórias curtas ou imagens, e também podem ser usados para desenvolver códigos de software.

Um LTM é treinado com dados estruturados, como as linhas e colunas de registros de transações. Os LTMs são bons em encontrar padrões, prever comportamentos e, potencialmente, aprimorar sistemas nos bastidores.

Ambos os tipos de modelos de IA generativa são treinados usando enormes volumes de dados — sejam textos escritos para LLMs ou conjuntos de dados organizados para LTMs. Ambos os tipos de modelos podem, então, usar esse treinamento para analisar e prever.

Para um LLM, isso pode significar prever qual pode ser a próxima palavra em uma frase após analisar milhões e milhões de frases. É assim que ele consegue escrever uma nova história ou letra de música.

Para um LTM, isso pode significar prever a próxima transação de pagamento de alguém após analisar bilhões de transações anteriores. Dessa forma, ele pode informar aos modelos de prevenção de fraude o que provavelmente é uma transação legítima e o que pode ser fraude.

Embora os LLMs não sejam tão robustos com dados estruturados, os LTMs tendem a se destacar no processamento e na análise desse tipo de informação. Como os LTMs e os LLMs aprendem com diferentes tipos de dados, um não substitui o outro. Em vez disso, eles realizam funções diferentes e podem se complementar. 

Os LTMs podem ser usados para analisar diferentes conjuntos de dados e dados estruturados, permitindo que os usuários encontrem novas conexões e obtenham novos insights em tabelas grandes e disparatadas com muitas linhas de dados.

Em serviços financeiros e pagamentos, um LTM pode ajudar a identificar atividades suspeitas mais cedo e com mais precisão, aprendendo padrões a partir de grandes volumes de dados de transações. Ele conseguiria reconhecer padrões típicos de gastos e identificar rapidamente quando algo de repente não se encaixa nesse padrão. Como um LTM aprende qual é o comportamento normal em diversas situações, ele também pode ajudar os sistemas de fraude a evitar a sinalização de compras legítimas como fraude, reduzindo recusas desnecessárias de cartões e, ao mesmo tempo, buscando riscos reais.

A Mastercard começou a desenvolver seus próprios LTMs, treinados com bilhões de transações anonimizadas, para investigar exatamente esse tipo de cenário e uso. Acreditamos que nossos LTMs possam ser usados para segurança cibernética, programas de fidelidade e de recompensas, modelos de personalização, otimização de portfólio e ferramentas de análise de dados. Além disso, como um LTM é mais flexível do que os sistemas de IA de aprendizado de máquina tradicionais existentes, podemos ser capazes de usar alguns LTMs em vez de criar e manter milhares de modelos de aprendizado de máquina mais tradicionais hoje.

Além de pagamentos e serviços financeiros, os LTMs poderiam ser usados em qualquer setor que gerencie grandes quantidades de dados estruturados — desde produtos farmacêuticos até energia, transporte e logística — para que as organizações possam identificar novos insights em seus dados.

Com base nas informações disponíveis publicamente na data de publicação deste artigo, parece que há poucos — se é que há algum — LTMs em produção atualmente. No entanto, muitas empresas anunciaram resultados positivos até o momento com a pesquisa e o desenvolvimento de seus próprios LTMs, e muitas parecem estar trabalhando rumo à produção. Notícias surgem todos os dias sobre as capacidades da IA generativa, portanto, devem ser esperadas mudanças rápidas e novas descobertas envolvendo LTMs.

Por enquanto, parece que, ao contrário dos LLMs, os LTMs têm maior probabilidade de operar nos bastidores, fortalecendo sistemas de prevenção de fraudes, analisando grandes conjuntos de dados e fortalecendo as capacidades de ciência de dados dentro das organizações.

Ainda não sabemos como os LTMs poderão interagir com agentes de IA. Hoje, os LLMs são usados como base para alimentar vários tipos de agentes de IA, como o ChatGPT, mas casos de uso semelhantes não são tão óbvios para os LTMs, já que eles são mais utilizados para aprimorar e otimizar as operações e os sistemas das organizações. No entanto, podemos imaginar um futuro em que um agente possa trabalhar com um LTM para resolver problemas do mundo real de maneira semelhante ao que é feito hoje com os LLMs.

Por exemplo, um agente poderia algum dia usar a análise de um LTM para impulsionar recomendações personalizadas para alguém que faz compras por meio de um chatbot de IA gerativa. Dessa forma, os LTMs poderiam eventualmente ser usados para ajudar a impulsionar o comércio agêntico, uma nova e em desenvolvimento forma de varejo que usa esses agentes para pesquisar, descobrir e comprar.