Explication des grands modèles tabulaires : comprendre une nouvelle forme d'IA générative

Un grand modèle tabulaire est un type de système d'IA générative capable d'analyser des tableaux à grande échelle et d'autres types d'ensembles de données organisés, tels que des milliards de transactions de paiement stockées de manière ordonnée dans des lignes et des colonnes fixes. Il peut rechercher des modèles et formuler des prévisions à l'aide de ces ensembles de données. De cette manière, il peut aider à repérer des tendances et des comportements qu'il serait difficile pour les humains, ou d'autres types de logiciels, de mettre au jour. 

Les grands modèles de langage, qui alimentent ChatGPT d’OpenAI et Gemini de Google, sont formés sur du texte, des images et des vidéos, également appelés données non structurées. Ils sont particulièrement efficaces pour créer des types de contenu similaires, tels que de courtes histoires ou des images, et peuvent également être utilisés pour développer du code informatique.

Un LTM est formé sur des données structurées, telles que les lignes et les colonnes des registres de transactions. Les LTM sont efficaces pour identifier des modèles, prédire des comportements et améliorer potentiellement les systèmes en coulisses.

Ces deux types de modèles d'IA générative sont entraînés à l'aide de volumes massifs de données — qu'il s'agisse de texte écrit pour les LLM ou d'ensembles de données organisés pour les LTM. Les deux types de modèles peuvent ensuite utiliser cet entraînement pour analyser et prédire.

Pour un LLM, cela peut signifier prédire quel sera le mot suivant dans une phrase après avoir analysé des millions et des millions de phrases. C'est ainsi qu'il est capable d'écrire une nouvelle histoire ou des paroles de chanson.

Pour un modèle LTM, cela peut signifier prédire la prochaine transaction de paiement d'une personne après avoir analysé des milliards de transactions antérieures. De cette manière, il peut alimenter les modèles de prévention de la fraude en indiquant ce qui constitue probablement une transaction légitime et ce qui pourrait être une fraude.

Alors que les LLM sont moins performants avec les données structurées, les LTM ont tendance à exceller dans le traitement et l'analyse de ce type d'informations. Étant donné que les LTM et les LLM apprennent à partir de types de données différents, l'un ne remplace pas l'autre. Au contraire, ils remplissent des fonctions différentes et peuvent se compléter. 

Les modèles LTM peuvent être utilisés pour analyser différents ensembles de données et des données structurées, permettant aux utilisateurs de trouver de nouvelles connexions et d'obtenir de nouvelles perspectives à partir de tables vastes et hétérogènes comportant de nombreuses lignes de données.

Dans les services financiers et les paiements, un LTM pourrait aider à repérer les activités suspectes plus tôt et avec plus de précision en apprenant les schémas à partir de grandes quantités de données de transaction. Il pourrait reconnaître les habitudes de dépenses typiques et identifier rapidement lorsqu'un élément ne correspond soudainement pas à ce modèle. Étant donné qu'un LTM apprend à quoi ressemble un comportement normal dans de nombreuses situations, il peut aider les systèmes de fraude à éviter de signaler des achats légitimes comme étant frauduleux, réduisant ainsi les refus de cartes inutiles tout en continuant à rechercher de véritables risques.

Mastercard a commencé à développer ses propres LTM, entraînés sur des milliards de transactions anonymisées, afin d'analyser précisément ces types de scénarios et d'utilisations. Nous pensons que nos LTM pourraient être utilisés pour la cybersécurité, les programmes de fidélité et de récompenses, les modèles de personnalisation, l' optimisation de portefeuille et les outils d'analyse de données. De plus, comme un LTM est plus flexible que les systèmes d'IA d'apprentissage automatique traditionnels existants, nous pourrions être en mesure d'utiliser une poignée de LTM au lieu de développer et de maintenir des milliers de modèles d'apprentissage automatique plus traditionnels aujourd'hui.

Outre les paiements et les services financiers, les LTM pourraient être utilisés dans tous les secteurs qui gèrent de grandes quantités de données structurées — de l'industrie pharmaceutique à l'énergie en passant par le transport et la logistique —, permettant ainsi aux organisations de dégager de nouvelles perspectives de leurs données.

Sur la base des informations accessibles au public à la date de publication de cet article, il semble qu'il y ait peu — voire aucun — modèle tabulaire étendu (LTM) en production aujourd'hui. Cependant, de nombreuses entreprises ont annoncé des résultats positifs jusqu'à présent concernant la recherche et le développement de leurs propres LTM, et beaucoup semblent progresser vers la production. Des nouvelles tombent chaque jour concernant les capacités de l'IA générative ; il faut donc s'attendre à des changements rapides et à de nouvelles découvertes impliquant les LTM.

Pour l'instant, il semble que, contrairement aux grands modèles de langage, les LTM soient plus susceptibles d'opérer en coulisses, en renforçant les systèmes de prévention de la fraude, en analysant de grands ensembles de données et en consolidant les capacités de science des données au sein des organisations.

Nous ne savons pas encore comment les LTM pourraient interagir avec les agents d'IA. Aujourd'hui, les LLM servent de fondation pour alimenter de nombreux types d'agents d'IA, comme ChatGPT, mais des cas d'utilisation similaires ne sont pas aussi évidents pour les LTM, car ces derniers sont davantage utilisés pour améliorer et rationaliser les opérations et les systèmes des organisations. Cependant, nous pouvons imaginer un avenir où un agent pourrait travailler avec un LTM pour résoudre des problèmes du monde réel d'une manière similaire à ce qui se fait aujourd'hui avec les LLM.

Par exemple, un agent pourrait un jour utiliser l'analyse d'un LTM pour alimenter des recommandations personnalisées destinées à une personne faisant des achats par le biais d'un chatbot d'IA générative. De cette manière, les LTM pourraient finir par contribuer à alimenter le commerce agentique, une nouvelle forme de vente au détail en développement qui utilise ces agents pour faire du shopping, découvrir et acheter.