Erklärung grosser tabellarischer Modelle: Grundlegendes zu einer neuen Form von Gen AI

Ein Large Tabular Model ist eine Form von generativer KI, die grosse Tabellen und andere Arten organisierter Datensätze analysieren kann, wie etwa Milliarden von Zahlungstransaktionen, die sauber in festen Zeilen und Spalten gespeichert sind. Es kann mithilfe dieser Datensätze nach Mustern suchen und Vorhersagen treffen. Auf diese Weise kann es helfen, Trends und Verhaltensweisen zu erkennen, die für Menschen oder andere Softwaretypen nur schwer aufzudecken wären. 

Grosse Sprachmodelle, die OpenAIs ChatGPT und Googles Gemini antreiben, werden mit Texten, Bildern und Videos trainiert, die auch als unstrukturierte Daten bezeichnet werden. Sie eignen sich besonders gut für die Erstellung ähnlicher Arten von Inhalten wie Kurzgeschichten oder Bildern und können auch zur Entwicklung von Softwarecode verwendet werden.

Ein LTM wird anhand strukturierter Daten wie den Zeilen und Spalten von Transaktionsdatensätzen trainiert. LTMs eignen sich gut zum Erkennen von Mustern, zur Vorhersage von Verhaltensweisen und zur potenziellen Verbesserung von Systemen hinter den Kulissen.

Beide Arten generativer KI-Modelle werden anhand riesiger Datenmengen trainiert – sei es geschriebener Text für LLMs oder organisierte Datensätze für LTMs. Beide Modelltypen können dieses Training anschliessend für Analysen und Prognosen nutzen.

Für ein LLM kann das bedeuten, nach der Analyse von Millionen und Abermillionen von Sätzen vorherzusagen, welches das nächste Wort in einem Satz sein könnte. So ist es in der Lage, eine neue Geschichte oder einen neuen Liedtext zu verfassen.

Für ein LTM kann dies bedeuten, dass die nächste Zahlungstransaktion einer Person vorhergesagt wird, nachdem Milliarden früherer Transaktionen analysiert wurden. Auf diese Weise können Modelle zur Betrugsprävention darüber informiert werden, was wahrscheinlich eine rechtmässige Transaktion und was möglicherweise Betrug ist.

Während LLMs bei strukturierten Daten weniger stark sind, zeichnen sich LTMs tendenziell durch die Verarbeitung und Analyse dieser Art von Informationen aus. Da LTMs und LLMs aus unterschiedlichen Datentypen lernen, ersetzt das eine das andere nicht. Vielmehr erfüllen sie unterschiedliche Aufgaben und können sich gegenseitig ergänzen. 

LTMs können zur Analyse verschiedener Datensätze und strukturierter Daten verwendet werden, sodass Benutzer neue Zusammenhänge entdecken und neue Erkenntnisse aus grossen, unterschiedlichen Tabellen mit vielen Datenzeilen gewinnen können.

Im Finanzdienstleistungssektor und im Zahlungsverkehr könnte ein LTM dazu beitragen, verdächtige Aktivitäten früher und präziser zu erkennen, indem es Muster aus grossen Transaktionsdatenmengen erlernt. Es könnte typische Ausgabemuster erkennen und rasch feststellen, wenn etwas plötzlich nicht mehr zu diesem Muster passt. Da ein LTM in vielen Situationen lernt, wie normales Verhalten aussieht, kann es Betrugssystemen auch dabei helfen, legitime Käufe nicht irrtümlicherweise als Betrug einzustufen, wodurch unnötige Kartenablehnungen reduziert und gleichzeitig echte Risiken erkannt werden.

Mastercard hat mit der Entwicklung eigener LTMs begonnen, die mit Milliarden anonymisierter Transaktionen trainiert wurden, um genau solche Szenarien und Anwendungsfälle zu untersuchen. Wir sind überzeugt, dass unsere LTMs für Cybersicherheit, Treue- und Prämienprogramme, Personalisierungsmodelle, Portfolio-Optimierung und Datenanalysetools eingesetzt werden könnten. Da ein LTM zudem flexibler ist als bestehende herkömmliche KI-Systeme für maschinelles Lernen, können wir möglicherweise eine Handvoll LTMs verwenden, anstatt heute Tausende von konventionelleren Modellen für maschinelles Lernen zu erstellen und zu pflegen.

Neben Zahlungsverkehr und Finanzdienstleistungen könnten LTMs für jede Branche eingesetzt werden, die grosse Mengen an strukturierten Daten verwaltet – von der Pharmaindustrie über die Energiebranche bis hin zu Transport und Logistik –, damit Unternehmen neue Erkenntnisse in ihren Daten gewinnen können.

Basierend auf öffentlich zugänglichen Informationen zum Veröffentlichungsdatum dieses Artikels scheint es heute nur wenige – wenn überhaupt – LTMs im produktiven Einsatz zu geben. Dennoch haben viele Unternehmen bisher positive Ergebnisse aus der Forschung und Entwicklung ihrer eigenen LTMs gemeldet, und viele scheinen auf den produktiven Einsatz hinzuarbeiten. Jeden Tag gibt es Neuigkeiten über die Fähigkeiten generativer KI, weshalb mit raschen Veränderungen und neuen Entdeckungen im Zusammenhang mit LTMs zu rechnen ist.

Derzeit hat es den Anschein, dass LTMs im Gegensatz zu LLMs eher im Hintergrund agieren, Betrugspräventionssysteme stärken, grosse Datensätze analysieren und die Data-Science-Fähigkeiten innerhalb von Unternehmen ausbauen.

Wir wissen noch nicht, wie LTMs mit KI-Agenten interagieren könnten. Heutzutage werden LLMs als Grundlage für viele Arten von KI-Agenten wie ChatGPT genutzt, aber ähnliche Anwendungsfälle liegen bei LTMs nicht so nahe, da diese eher zur Verbesserung und Optimierung von Unternehmensprozessen und -systemen eingesetzt werden. Wir können uns jedoch eine Zukunft vorstellen, in der ein Agent mit einem LTM zusammenarbeiten könnte, um reale Probleme ähnlich zu lösen, wie es heute mit LLMs geschieht.

Beispielsweise könnte ein Agent eines Tages die Analyse eines LTM nutzen, um personalisierte Empfehlungen für jemanden zu ermöglichen, der über einen KI-gestützten Chatbot einkauft. Auf diese Weise könnten LTMs schliesslich dazu beitragen, den agentenbasierten Handel (Agentic Commerce) zu unterstützen – eine neue und sich entwickelnde Form des Einzelhandels, bei der solche Agenten zum Einkaufen, Entdecken und Kaufen eingesetzt werden.