Modele tabelare mari explicate: Înțelegerea unei noi forme de IA generativă

Un model tabular mare (LTM) este un tip de sistem de IA generativă care poate analiza tabele la scară largă și alte tipuri de seturi de date organizate, cum ar fi miliarde de tranzacții de plată stocate ordonat în rânduri și coloane fixe. Acesta poate căuta modele și poate face predicții utilizând aceste seturi de date. În acest fel, poate ajuta la identificarea tendințelor și a comportamentelor care ar fi dificil de descoperit de către oameni sau de alte tipuri de software. 

Modelele lingvistice mari, care stau la baza ChatGPT de la OpenAI și Gemini de la Google, sunt antrenate pe text, imagini și videoclipuri, cunoscute și sub denumirea de date nestructurate. Acestea sunt deosebit de bune la crearea unor tipuri similare de conținut, cum ar fi povestiri scurte sau imagini, și pot fi folosite și pentru a dezvolta cod software.

Un model LTM este instruit pe date structurate, cum ar fi rândurile și coloanele înregistrărilor de tranzacții. Modelele LTM excelează în identificarea modelelor, prezicerea comportamentelor și îmbunătățirea potențială a sistemelor în culise.

Ambele tipuri de modele de IA generativă sunt antrenate folosind volume uriașe de date — fie că este vorba despre text scris pentru LLM-uri sau seturi de date organizate pentru LTM-uri. Ambele tipuri de modele pot folosi apoi această instruire pentru a analiza și a face predicții.

Pentru un model LLM, acest lucru poate însemna prezicerea cuvântului următor dintr-o propoziție, după ce a analizat milioane și milioane de propoziții. Astfel reușește să scrie o poveste nouă sau versurile unei melodii.

Pentru un model LTM, acest lucru poate însemna prezicerea următoarei tranzacții de plată a unei persoane după ce a analizat miliarde de tranzacții anterioare. În acest fel, poate furniza informații modelelor de prevenire a fraudelor cu privire la ceea ce este probabil să fie o tranzacție legitimă și ceea ce ar putea fi o fraudă.

Deși modelele LLM nu sunt la fel de puternice în ceea ce privește datele structurate, LTM-urile tind să exceleze în procesarea și analizarea acestui tip de informații. Deoarece LTM-urile și LLM-urile învață din diferite tipuri de date, unul nu îl înlocuiește pe celălalt. Mai degrabă, ele fac lucruri diferite și se pot completa reciproc. 

LTM-urile pot fi utilizate pentru a analiza diferite seturi de date și date structurate, permițând utilizatorilor să găsească noi conexiuni și să obțină noi perspective în tabele mari și disparate, cu numeroase rânduri de date.

În serviciile financiare și de plăți, un LTM ar putea contribui la detectarea activităților suspecte mai devreme și cu mai multă acuratețe, învățând tipare dintr-un volum mare de date privind tranzacțiile. Acesta ar putea recunoaște modele tipice de cheltuieli și ar putea identifica rapid când ceva nu se mai potrivește brusc cu acel model. Deoarece un LTM învață cum arată comportamentul normal în numeroase situații, acesta poate ajuta sistemele de fraudă să evite, de asemenea, clasificarea achizițiilor legitime drept fraudă, reducând respingerile inutile de carduri și căutând în continuare riscurile reale.

Mastercard a început să își dezvolte propriile LTM-uri, antrenate pe miliarde de tranzacții anonimizate, pentru a investiga exact aceste tipuri de scenarii și utilizări. Considerăm că LTM-urile noastre ar putea fi utilizate pentru securitate cibernetică, programe de loialitate și recompense, modele de personalizare, optimizarea portofoliului și instrumente de analiză a datelor. În plus, deoarece un LTM este mai flexibil decât sistemele tradiționale existente de IA bazate pe învățarea automată, este posibil să putem utiliza un număr mic de LTM-uri în loc să construim și să întreținem astăzi mii de modele de învățare automată mai tradiționale.

Pe lângă plăți și servicii financiare, modelele LTM ar putea fi utilizate pentru orice industrie care gestionează cantități mari de date structurate – de la produse farmaceutice la energie, transporturi și logistică –, astfel încât organizațiile să poată identifica noi perspective în datele lor.

Pe baza informațiilor disponibile public începând cu data publicării acestui articol, se pare că există puține LTM-uri în producție astăzi — dacă există vreunul. Cu toate acestea, multe companii au anunțat până acum rezultate pozitive în urma cercetării și dezvoltării propriilor LTM-uri, iar multe par să lucreze în direcția lansării în producție. În fiecare zi apar știri despre capacitățile IA generative, așa că sunt de așteptat schimbări rapide și noi descoperiri care implică LTM-urile.

Deocamdată, se pare că, spre deosebire de modelele lingvistice mari (LLM), LTM-urile au șanse mai mari să funcționeze în culise, consolidând sistemele de prevenire a fraudelor, analizând seturi mari de date și îmbunătățind capabilitățile de știință a datelor din cadrul organizațiilor.

Nu știm încă cum ar putea interacționa LTM-urile cu agenții de IA. Astăzi, LLM-urile sunt utilizate ca bază pentru a alimenta multe tipuri de agenți de IA, cum ar fi ChatGPT, dar aceleași tipuri de cazuri de utilizare nu sunt la fel de evidente pentru LTM-uri, deoarece acestea sunt utilizate mai degrabă pentru a îmbunătăți și eficientiza operațiunile și sistemele organizațiilor. Cu toate acestea, ne putem imagina un viitor în care un agent ar putea colabora cu un LTM pentru a rezolva probleme din lumea reală într-o manieră similară cu ceea ce se face astăzi cu LLM-urile.

De exemplu, un agent ar putea folosi la un moment dat analiza dintr-un LTM pentru a alimenta recomandări personalizate pentru cineva care face cumpărături printr-un chatbot cu IA generativă. În acest fel, LTM-urile ar putea fi utilizate în cele din urmă pentru a contribui la facilitarea comerțului bazat pe agenți, o formă nouă și în curs de dezvoltare de retail care utilizează acești agenți pentru cumpărături, descoperire și achiziții.