Объяснение принципов работы больших табличных моделей: знакомство с новой формой генеративного искусственного интеллекта

Большая табличная модель — это тип систем генеративного ИИ, способных анализировать крупномасштабные таблицы и другие виды структурированных наборов данных, такие как миллиарды платежных транзакций, аккуратно записанных в фиксированные строки и столбцы. Она может искать закономерности и делать прогнозы на основе этих наборов данных. Таким образом, модель помогает выявлять тенденции и типы поведения, которые людям или другим видам программного обеспечения было бы сложно обнаружить. 

Большие языковые модели, которые лежат в основе ChatGPT от OpenAI и Gemini от Google, обучаются на тексте, изображениях и видео, также известных как неструктурированные данные. Они особенно хороши в создании контента аналогичных типов, например коротких рассказов или изображений, а также могут использоваться для разработки программного кода.

Модель LTM обучается на структурированных данных, таких как строки и столбцы записей транзакций. Модели LTM отлично справляются с поиском закономерностей, прогнозированием поведения и потенциальным улучшением систем в фоновом режиме.

Оба типа моделей генеративного ИИ обучаются на огромных объемах данных — будь то письменный текст для LLM или структурированные наборы данных для LTM. После этого оба типа моделей могут использовать результаты обучения для проведения анализа и прогнозирования.

Для большой языковой модели (LLM) это может означать прогнозирование следующего слова в предложении после анализа миллионов и миллионов предложений. Именно так система способна написать новую историю или текст песни.

Для модели LTM это может означать прогнозирование следующей платежной транзакции пользователя после анализа миллиардов предыдущих транзакций. Таким образом, модель может подсказать моделям предотвращения мошенничества, какая транзакция, вероятнее всего, является легитимной, а какая может носить мошеннический характер.

Хотя LLM не так сильны в работе со структурированными данными, LTM обычно преуспевают в обработке и анализе информации такого рода. Поскольку LTM и LLM обучаются на разных типах данных, они не заменяют друг друга. Скорее, они выполняют разные задачи и могут дополнять друг друга. 

LTM можно использовать для анализа различных наборов данных и структурированной информации, что позволяет пользователям находить новые связи и получать ценные аналитические данные из больших и разнородных таблиц с множеством строк.

В сфере финансовых услуг и платежей модель LTM может помочь обнаруживать подозрительную активность раньше и точнее, изучая закономерности на основе больших объемов данных о транзакциях. Она может распознавать типичные модели расходов и быстро определять, когда какой-то показатель внезапно перестает им соответствовать. Поскольку модель LTM изучает стандарты нормального поведения в самых разных ситуациях, она также помогает системам предотвращения мошенничества избегать ошибочной классификации легитимных покупок как мошеннических, сокращая количество необоснованных отклонений карт и продолжая отслеживать реальные риски.

Компания Mastercard начала разработку собственных LTM, обученных на миллиардах анонимизированных транзакций, для изучения именно таких сценариев и вариантов использования. Мы считаем, что наши LTM можно использовать для кибербезопасности, программ лояльности и вознаграждений, моделей персонализации, оптимизации портфеля и инструментов анализа данных. Кроме того, поскольку LTM более гибкие, чем существующие традиционные системы искусственного интеллекта на основе машинного обучения, мы сможем использовать несколько LTM вместо создания и поддержки тысяч более традиционных моделей машинного обучения сегодня.

Помимо платежей и финансовых услуг, модели LTM могут использоваться в любой отрасли, которая оперирует большими объемами структурированных данных (от фармацевтики и энергетики до транспорта и логистики), что позволяет организациям получать новые аналитические данные на их основе.

Судя по общедоступной информации на дату публикации этой статьи, в настоящее время в производстве используется немного больших языковых моделей (LTM) — если они вообще есть. Тем не менее, многие компании пока сообщили о положительных результатах исследований и разработок собственных LTM, и многие из них, судя по всему, движутся к этапу производства. Новости о возможностях генеративного ИИ появляются ежедневно, поэтому следует ожидать стремительных изменений и новых открытий, связанных с LTM.

В настоящее время представляется, что, в отличие от больших языковых моделей (LLM), большие табличные модели (LTM), скорее всего, будут работать в фоновом режиме, укрепляя системы предотвращения мошенничества, анализируя большие наборы данных и расширяя возможности науки о данных внутри организаций.

Мы пока не знаем, как LTM смогут взаимодействовать с агентами ИИ. Сегодня языковые модели (LLM) используются в качестве основы для работы многих видов ИИ-агентов, таких как ChatGPT, однако аналогичные сценарии применения не столь очевидны для LTM, поскольку они чаще применяются для оптимизации и совершенствования работы организаций и их систем. Тем не менее, можно представить будущее, в котором агент сможет работать с LTM для решения реальных проблем так же, как это делается сегодня с помощью LLM.

Например, в будущем агент сможет использовать результаты анализа LTM для формирования персонализированных рекомендаций для пользователя, совершающего покупки с помощью чат-бота на базе генеративного ИИ. Таким образом, в перспективе LTM могут способствовать развитию агентной коммерции — новой и развивающейся формы розничной торговли, в которой такие агенты используются для поиска, выбора и покупки товаров.