დიდი ტაბულური მოდელების ახსნა: გენერაციული AI-ის ახალი ფორმის გააზრება

დიდი ცხრილური მოდელი არის გენერატიული ხელოვნური ინტელექტის სისტემის ტიპი, რომელსაც შეუძლია გააანალიზოს მასშტაბური ცხრილები და ორგანიზებული მონაცემთა ნაკრებების სხვა სახეობები, როგორიცაა ფიქსირებულ რიგი და სვეტებში მოწესრიგებულად შენახული მილიარდობით გადახდის ტრანზაქცია. მას შეუძლია ამ მონაცემთა ნაკრების გამოყენებით მოძებნოს შაბლონები და გააკეთოს პროგნოზები. ამ გზით, მას შეუძლია ხელი შეუწყოს იმ ტენდენციებისა და ქცევების გამოვლენას, რომელთა აღმოჩენაც ადამიანებისა და პროგრამული უზრუნველყოფის სხვა ტიპებისთვის რთული იქნებოდა. 

დიდი ენობრივი მოდელები, რომელთა ბაზაზეც მუშაობს OpenAI-ის ChatGPT და Google-ის Gemini, იწვრთნება ტექსტებზე, სურათებსა და ვიდეოებზე, რასაც ასევე არასტრუქტურირებულ მონაცემებს უწოდებენ. ისინი განსაკუთრებით კარგად ქმნიან მსგავსი ტიპის კონტენტს, როგორიცაა მოთხრობები ან სურათები, და ასევე შეიძლება გამოყენებულ იქნას პროგრამული კოდის შესამუშავებლად.

LTM იწვრთნება სტრუქტურულ მონაცემებზე, როგორიცაა ტრანზაქციების ჩანაწერების სტრიქონები და სვეტები. LTM-ები კარგად პოულობენ შაბლონებს, პროგნოზირებენ ქცევებს და, პოტენციურად, აუმჯობესებენ სისტემებს კულისებს მიღმა.

გენერაციული AI-ის ორივე ტიპის მოდელი იწვრთნება მონაცემთა უზარმაზარი მოცულობის გამოყენებით — იქნება ეს წერილობითი ტექსტი LLM-ებისთვის თუ ორგანიზებული მონაცემთა ნაკრებები LTM-ებისთვის. შემდეგ მოდელების ორივე ტიპს შეუძლია გამოიყენოს ეს მომზადება ანალიზისა და პროგნოზირებისთვის.

LLM-ისთვის ეს შეიძლება ნიშნავდეს წინადადებაში შემდეგი სიტყვის პროგნოზირებას მილიონობით წინადადების ანალიზის შემდეგ. სწორედ ამის წყალობით შეუძლია ახალი ამბის ან სიმღერის ტექსტის დაწერა.

LTM-ისთვის ეს შეიძლება ნიშნავდეს ვინმეს შემდეგი გადახდის ტრანზაქციის პროგნოზირებას მილიარდობით წინა ტრანზაქციის ანალიზის შემდეგ. ამგვარად, მას შეუძლია აცნობოს თაღლითობის პრევენციის მოდელებს, თუ რა შეიძლება იყოს ლეგიტიმური ტრანზაქცია და რა — თაღლითობა.

მიუხედავად იმისა, რომ LLM-ები ისეთი ძლიერები არ არიან სტრუქტურული მონაცემების დამუშავებაში, LTM-ები, როგორც წესი, გამოირჩევიან ამ ტიპის ინფორმაციის დამუშავებასა და ანალიზში. ვინაიდან LTM-ები და LLM-ები მონაცემთა სხვადასხვა ტიპისგან სწავლობენ, ერთი მეორეს არ ცვლის. უფრო მეტიც, ისინი სხვადასხვა ფუნქციას ასრულებენ და შეუძლიათ ერთმანეთის შევსება. 

LTM-ების გამოყენება შესაძლებელია სხვადასხვა მონაცემთა ნაკრებისა და სტრუქტურირებული მონაცემების გასაანალიზებლად, რაც მომხმარებლებს საშუალებას აძლევს, იპოვონ ახალი კავშირები და მიიღონ ახალი ანალიტიკური მონაცემები მრავალი მონაცემთა რიგის მქონე დიდ და ერთგვაროვან ცხრილებში.

ფინანსურ სერვისებსა და გადახდებში LTM-ი დაგეხმარებათ საეჭვო აქტივობის უფრო ადრე და უფრო ზუსტად გამოვლენაში ტრანზაქციების დიდი მოცულობის საფუძველზე შაბლონების შესწავლის გზით. მას შეეძლო ეცნო ხარჯვის ტიპიური შაბლონები და სწრაფად გამოევლინა, როდესაც რაღაც უეცრად არ ერგება ამ შაბლონს. იმის გამო, რომ LTM სწავლობს, თუ როგორია ნორმალური ქცევა მრავალ სიტუაციაში, მას შეუძლია დაეხმაროს თაღლითობის სისტემებს, ასევე თავიდან აიცილონ ლეგიტიმური შესყიდვების თაღლითობად მონიშვნა, რაც შეამცირებს ბარათების უსარგებლო უარყოფას და ამავდროულად განაგრძობს რეალური რისკის ძიებას.

Mastercard-მა საკفობი LTM-ების შემუშავება დაიწო, რომლებიც მილიონობით ანონიმურ ტრანზაქციაზეა გაწვრთნილი ზუსტად ასეთი სცენარებისა და გამოყენების შესასწავლად. ჩვენ გვჯერა, რომ ჩვენი LTM-ები შეიძლება გამოყენებულ იქნას კიბერუსაფრთხოებისათვის, ლოიალობისა და ჯილდოების პროგრამებისათვის, პერსონალიზაციის მოდელებისათვის, პორტფოლიოს ოპტიმიზაციისთვის და მონაცემთა ანალიტიკის ხელსაწყოებისთვის. გარდა ამისა, ვინაიდან LTM უფრო მოქნილია, ვიდრე არსებული ტრადიციული მანქანური სწავლების AI სისტემები, შესაძლოა, ათასობით უფრო ტრადიციული მანქანური სწავლების მოდელის აგებისა და შენარჩუნების ნაცვლად, რამდენიმე LTM-ის გამოყენება შევძლოთ.

გადახდებისა და ფინანსური მომსახურების გარდა, LTM-ები შეიძლება გამოყენებულ იქნას ნებისმიერ ინდუსტრიაში, რომელიც მართავს დიდი რაოდენობით სტრუქტურირებულ მონაცემებს — ფარმაცევტიკიდან დაწყებული, ენერგეტიკით, ტრანსპორტით და ლოგისტიკით დამთავრებული, რათა ორგანიზაციებმა შეძლონ თავიანთ მონაცემებში ახალი კანონზომიერებების იდენტიფიცირება.

სტატიის გამოქვეყნების თარიღისთვის საჯაროდ ხელმისაწვდომი ინფორმაციის საფუძველზე, როგორც ჩანს, დღეს წარმოებაში ცოტაა — თუ საერთოდ არის — LTM. მიუხედავად ამისა, ბევრმა კომპანიამ უკვე გამოაცხადა დადებითი შედეგები საკუთარი LTM-ების კვლევისა და განვითარების მიმართულებით, და როგორც ჩანს, ბევრი მათგანი წარმოებაზე მუშაობს. გენერაციული ხელოვნური ინტელექტის შესაძლებლობების შესახებ ახალი ამბები ყოველდღიურად ვრცელდება, ამიტომ მოსალოდნელია სწრაფი ცვლილებები და ახალი აღმოჩენები LTM-ებთან დაკავშირებით.

ჯერჯერობით ჩანს, რომ LLM-ებისგან განსხვავებით, LTM-ები უფრო მეტად კულისებს მიღმა იმოქმედებენ — გააძლიერებენ თაღლითობის პრევენციის სისტემებს, გააანალიზებენ მონაცემთა დიდ ნაკრებებს და გააძლიერებენ ორგანიზაციებში მონაცემთა მეცნიერების შესაძლებლობებს.

ჩვენ ჯერ კიდევ არ ვიცით, როგორ შეუძლია LTM-ებს ურთიერთქმედება AI აგენტებთან. დღეს LLM-ები გამოიყენება მრავალი სახის AI აგენტის, მაგალითად ChatGPT-ის, საფუძვლად, მაგრამ გამოყენების მსგავსი შემთხვევები არ არის ისეთი აშკარა LTM-ებისთვის, რადგან ისინი უფრო მეტად ორგანიზაციების ოპერაციებისა და სისტემების გასაუმჯობესებლად და მოსაწესრიგებლად გამოიყენება. მიუხედავად ამისა, ჩვენ წარმოვიდგენთ მომავალს, რომელშიც აგენტს შეეძლება LTM-თან ერთად მუშაობა რეალური სამყაროს პრობლემების გადასაჭრელად ისევე, როგორც ეს დღეს ხდება LLM-ების შემთხვევაში.

მაგალითად, აგენტს შეიძლება ოდესმე დასჭირდეს LTM-ის ანალიზი, რათა უზრუნველყოს პერსონალიზებული რეკომენდაციები ვინმესთვის, რომელიც შოპინგს აწარმოებს გენერაციული ხელოვნური ინტელექტის ჩატბოტის მეშვეობით. ამ გზით, LTM-ები საბოლოოდ შეიძლება გამოყენებულ იქნას აგენტური კომერციის მხარდასაჭერად, რომელიც წარმოადგენს საცალო ვაჭრობის ახალ და განვითარებად ფორმას და იყენებს ამ აგენტებს საყიდლებისთვის, ძიებისა და შესყიდვებისთვის.