Store tabulære modeller forklaret: Forståelse af en ny form for generativ AI

En stor tabelmodel er en type generativ AI-system, der kan analysere store tabeller og andre former for organiserede datasæt, såsom milliarder af betalingstransaktioner, der er gemt pænt i faste rækker og kolonner. Den kan lede efter mønstre og foretage forudsigelser ved hjælp af disse datasæt. På denne måde kan den hjælpe med at spotte tendenser og adfærd, som ville være svære for mennesker eller andre typer software at afdække. 

Store sprogmodeller, som driver OpenAI’s ChatGPT og Google’s Gemini, er trænede på tekst, billeder og videoer, også kendt som ustrukturerede data. De er særligt gode til at skabe lignende typer indhold, såsom noveller eller billeder, og kan også bruges til at udvikle softwarekode.

En LTM trænes på strukturerede data som f.eks. rækker og kolonner i transaktionsposter. LTM'er er gode til at finde mønstre, forudsige adfærd og potentielt forbedre systemer bag kulisserne.

Begge typer generative AI-modeller trænjes ved hjælp af enorme datamængder – uanset om det er skrevet tekst til LLM'er eller organiserede datasæt til LTM'er. Begge typer modeller kan derefter bruge denne træning til at analysere og forudsige.

For en LLM kan det betyde, at den forudsiger, hvad det næste ord i en sætning vil være, efter den har analyseret millioner og atter millioner af sætninger. Det er sådan, den er i stand til at skrive en ny historie eller sangtekst.

For en LTM kan det betyde at forudsige en persons næste betalingstransaktion efter at have analyseret milliarder af tidligere transaktioner. På den måde kan den oplyse modeller til forebyggelse af svindel om, hvad der sandsynligvis er en legitim transaktion, og hvad der kan være svindel.

Selvom LLM'er ikke er lige så stærke med strukturerede data, har LTM'er en tendens til at udmærke sig ved at behandle og analysere denne type information. Da LTM'er og LLM'er lærer af forskellige typer data, erstatter den ene ikke den anden. De gør derimod forskellige ting og kan supplere hinanden. 

LTM'er kan bruges til at analysere forskellige datasæt og strukturerede data, hvilket gør det muligt for brugere at finde nye forbindelser og opnå ny indsigt på tværs af store og uensartede tabeller med mange rækker af data.

Inden for finansielle tjenester og betalinger kan en LTM hjælpe med at opdage mistænkelig aktivitet tidligere og mere præcist ved at indlære mønstre fra store mængder transaktionsdata. Den kan genkende typiske forbrugsmønstre og hurtigt identificere, når noget pludselig ikke passer ind i det mønster. Da en LTM lærer, hvordan normal adfærd ser ud på tværs af mange situationer, kan den hjælpe svindelsystemer med at undgå at markere the legitime køb som svindel, hvilket reducerer unødvendige kortafvisninger, samtidig med at der fortsat holdes øje med reel risiko.

Mastercard begyndte at udvikle sine egne LTM'er, som er trænet på milliarder af anonymiserede transaktioner, for at undersøge netop denne type scenarier og anvendelsesmuligheder. Vi tror på, at vores LTM'er kan bruges til cybersikkerhed, loyalitets- og belønningsprogrammer, personaliseringsmodeller, porteføljeoptimering og dataanalytiske værktøjer. Derudover, fordi en LTM er mere fleksibel end eksisterende traditionelle maskinlæringsbaserede AI-systemer, kan vi måske bruge en håndfuld LTM'er i stedet for at bygge og vedligeholde tusindvis af mere traditionelle maskinlæringsmodeller i dag.

Ud over betalinger og finansielle tjenester kan LTM'er bruges til enhver industri, der håndterer store mængder strukturerede data – fra medicinalindustrien til energi samt transport og logistik – så organisationer kan identificere ny indsigt i deres data.

Baseret på offentligt tilgængelige oplysninger pr. offentliggørelsesdatoen for denne artikel ser det ud til, at der i dag er få – hvis overhovedet nogen – LTM'er i produktion. Ikke desto mindre har mange virksomheder indtil videre annonceret positive resultater fra deres forskning og udvikling af deres egne LTM'er, og mange ser ud til at arbejde hen imod produktion. Der kommer nyheder frem hver dag om generative AI-funktioner, så man må forvente hurtige ændringer og nye opdagelser, der involverer LTM'er.

For øjeblikket ser det ud til, at LTM'er – i modsætning til LLM'er – i højere grad opererer i baggrunden, hvor de styrker systemer til forebyggelse af svindel, analyserer store datasæt og styrker organisationernes datavidenskabelige kapaciteter.

Vi ved endnu ikke, hvordan LTM'er kan interagere med AI-agenter. I dag bruges LLM'er som fundament til at drive mange slags AI-agenter som f.eks. ChatGPT, men de samme typer brugssituationer er ikke lige så åbenlyse for LTM'er, da de i højere grad bruges til at forbedre og optimere organisationers drift og systemer. Vi kan dog forestille os en fremtid, hvor en agent kan arbejde sammen med en LTM om at løse virkelige problemer på en måde, der minder om, hvordan det gøres i dag med LLM'er.

En agent kan f.eks. en dag bruge analysen fra en LTM til at drive personlige anbefalinger til en person, der shopper gennem en gen-AI-chatbot. På denne måde kan LTM'er i sidste ende blive brugt til at hjælpe med at drive agenthandel, en ny og voksende form for detailhandel, der bruger disse agenter til at shoppe, opdage og købe.