Explicación de los modelos tabulares grandes: comprensión de una nueva forma de IA generativa

Un modelo tabular grande es un tipo de sistema de inteligencia artificial generativa que puede analizar tablas a gran escala y otros tipos de conjuntos de datos organizados, como miles de millones de transacciones de pagos almacenadas ordenadamente en filas y columnas fijas. Puede buscar patrones y hacer predicciones utilizando estos conjuntos de datos. De este modo, puede ayudar a detectar tendencias y comportamientos que serían difíciles de descubrir para las personas u otros tipos de software. 

Los modelos de lenguaje grande, que impulsan ChatGPT de OpenAI y Gemini de Google, se entrenan con textos, imágenes y videos, también conocidos como datos no estructurados. Son especialmente buenos para crear tipos de contenido similares, como cuentos o imágenes, y también se pueden usar para desarrollar código de software.

Un modelo LTM se entrena con datos estructurados, como las filas y columnas de los registros de transacciones. Los LTM son buenos para encontrar patrones, predecir comportamientos y, potencialmente, mejorar los sistemas tras bambalinas.

Ambos tipos de modelos de IA generativa se entrenan con enormes volúmenes de datos —ya sea texto escrito para los LLM o conjuntos de datos organizados para los LTM. Ambos tipos de modelos pueden usar este entrenamiento para analizar y predecir.

Para un LLM, eso puede significar predecir cuál puede ser la próxima palabra en una oración después de haber analizado millones y millones de oraciones. Así es como puede escribir una nueva historia o la letra de una canción.

Para un LTM, eso puede significar predecir la próxima transacción de pago de una persona después de analizar miles de millones de transacciones anteriores. De esa manera, puede informar a los modelos de prevención del fraude sobre lo que probablemente sea una transacción legítima y lo que podría ser un fraude.

Si bien los LLM no son tan eficaces con los datos estructurados, los LTM tienden a destacar en el procesamiento y análisis de este tipo de información. Debido a que los LTM y los LLM aprenden de diferentes tipos de datos, uno no reemplaza al otro. Más bien, hacen cosas diferentes y pueden complementarse entre sí. 

Los LTM se pueden utilizar para analizar diferentes conjuntos de datos y datos estructurados, lo que permite a los usuarios encontrar nuevas conexiones y obtener nueva información en tablas grandes y dispersas con muchas filas de datos.

En los servicios financieros y los pagos, un LTM podría ayudar a detectar actividad sospechosa de forma más temprana y precisa al aprender patrones a partir de grandes cantidades de datos de transacciones. Podría reconocer patrones de gasto típicos y detectar rápidamente cuándo algo de repente no encaja en ese patrón. Debido a que un LTM aprende cómo es el comportamiento normal en muchas situaciones, también puede ayudar a que los sistemas de fraude eviten catalogar compras legítimas como fraude, lo que reduce los rechazos innecesarios de tarjetas mientras sigue buscando riesgos reales.

Mastercard comenzó a desarrollar sus propios LTM, entrenados con miles de millones de transacciones anonimizadas, para investigar exactamente este tipo de escenarios y usos. Creemos que nuestros LTM podrían usarse para ciberseguridad, programas de lealtad y recompensas, modelos de personalización, optimización de carteras y herramientas de análisis de datos. Además, debido a que un LTM es más flexible que los sistemas de IA de aprendizaje automático tradicionales existentes, es posible que podamos usar un puñado de LTM en lugar de crear y mantener miles de modelos de aprendizaje automático más tradicionales hoy en día.

Además de los pagos y los servicios financieros, los LTM podrían utilizarse en cualquier industria que gestione grandes cantidades de datos estructurados —desde el sector farmacéutico hasta la energía, pasando por el transporte y la logística— para que las organizaciones puedan identificar nuevos conocimientos en sus datos.

Según la información disponible públicamente a la fecha de publicación de este artículo, parece que hay pocos modelos de transacciones grandes (LTM) —si es que hay alguno— en producción hoy en día. Sin embargo, muchas empresas han anunciado hasta ahora resultados positivos de su investigación y desarrollo de sus propios modelos LTM, y muchas parecen estar trabajando hacia su producción. Todos los días surgen noticias sobre las capacidades de la IA generativa, por lo que deben esperarse cambios rápidos y nuevos descubrimientos relacionados con los modelos LTM.

Por ahora, parece que, a diferencia de los LLM, es más probable que los LTM operen tras bambalinas para fortalecer los sistemas de prevención del fraude, analizar grandes conjuntos de datos y reforzar las capacidades de ciencia de datos dentro de las organizaciones.

Todavía no sabemos cómo los LTM podrían interactuar con los agentes de IA. En la actualidad, los LLM se utilizan como base para impulsar muchos tipos de agentes de IA, como ChatGPT, pero los casos de uso similares no son tan obvios en el caso de los LTM, ya que se emplean más para mejorar y optimizar las operaciones y los sistemas de las organizaciones. Sin embargo, podemos imaginar un futuro en el que un agente pueda trabajar con un LTM para resolver problemas del mundo real de manera similar a como se hace hoy en día con los LLM.

Por ejemplo, un agente podría algún día utilizar el análisis de un LTM para potenciar las recomendaciones personalizadas para alguien que compre a través de un chatbot de IA generativa. De este modo, los LTM podrían utilizarse con el tiempo para ayudar a impulsar el comercio agéntico, una forma de venta minorista nueva y en desarrollo que utiliza estos agentes para comprar, descubrir y adquirir productos.