Explicación de los modelos tabulares grandes: comprensión de una nueva forma de IA generativa

Un modelo tabular grande es un tipo de sistema de IA generativa que puede analizar tablas a gran escala y otros tipos de conjuntos de datos organizados, como miles de millones de transacciones de pagos almacenadas ordenadamente en filas y columnas fijas. Puede buscar patrones y hacer predicciones utilizando estos conjuntos de datos. De este modo, puede ayudar a detectar tendencias y comportamientos que serían difíciles de descubrir para las personas o para otros tipos de software. 

Los modelos de lenguaje grande, que potencian ChatGPT de OpenAI y Gemini de Google, están entrenados con textos, imágenes y vídeos, también conocidos como datos no estructurados. Se le dan especialmente bien la creación de tipos de contenido similares, como relatos breves o imágenes, y también se pueden utilizar para desarrollar código de software.

Un LTM se entrena con datos estructurados, como las filas y columnas de los registros de transacciones. Los LTM son buenos encontrando patrones, prediciendo comportamientos y mejorando potencialmente los sistemas en segundo plano.

Ambos tipos de modelos de IA generativa se entrenan utilizando grandes volúmenes de datos, ya sean textos escritos en el caso de los LLM o conjuntos de datos organizados en el de los LTM. Ambos tipos de modelos pueden utilizar entonces este entrenamiento para analizar y predecir.

Para un LLM, esto puede significar predecir cuál puede ser la siguiente palabra de una frase después de haber analizado millones y millones de frases. Así es como logra escribir una nueva historia o la letra de una canción.

Para un LTM, eso puede significar predecir la próxima transacción de pago de alguien después de analizar miles de millones de transacciones anteriores. De ese modo, puede informar a los modelos de prevención del fraude sobre lo que probablemente sea una transacción legítima y lo que podría ser un fraude.

Aunque los LLM no son tan eficaces con los datos estructurados, los LTM tienden a destacar en el procesamiento y análisis de este tipo de información. Como los LTM y los LLM aprenden de distintos tipos de datos, uno no sustituye al otro. Más bien, hacen cosas diferentes y pueden complementarse mutuamente. 

Los LTM pueden utilizarse para analizar diferentes conjuntos de datos y datos estructurados, lo que permite a los usuarios encontrar nuevas conexiones y obtener nuevos conocimientos en tablas grandes y dispares con muchas filas de datos.

En los servicios financieros y los pagos, un LTM podría ayudar a detectar actividades sospechosas de forma más temprana y precisa mediante el aprendizaje de patrones a partir de grandes cantidades de datos de transacciones. Podría reconocer los patrones de gasto típicos e identificar rápidamente cuando algo de repente no encaja en ese patrón. Dado que un LTM aprende cómo es el comportamiento normal en muchas situaciones, también puede ayudar a los sistemas de fraude a evitar marcar compras legítimas como fraude, lo que reduce las denegaciones innecesarias de tarjetas sin dejar de buscar riesgos reales.

Mastercard comenzó a desarrollar sus propios LTM, entrenados con miles de millones de transacciones anonimizadas, para investigar precisamente este tipo de escenarios y usos. Creemos que nuestros LTM podrían utilizarse para ciberseguridad, programas de fidelización y recompensas, modelos de personalización, optimización de carteras y herramientas de análisis de datos. Además, dado que un LTM es más flexible que los sistemas de IA de aprendizaje automático tradicionales existentes, es posible que podamos utilizar un puñado de LTM en lugar de construir y mantener hoy en día miles de modelos de aprendizaje automático más tradicionales.

Además de los pagos y los servicios financieros, los LTM podrían utilizarse en cualquier sector que gestione grandes cantidades de datos estructurados —desde el sector farmacéutico hasta el energético, pasando por el transporte y la logística—, de modo que las organizaciones puedan identificar nuevos conocimientos en sus datos.

Basándose en la información pública disponible a la fecha de publicación de este artículo, parece que hay pocos modelos tabulares grandes —si es que hay alguno— en producción hoy en día. Sin embargo, muchas empresas han anunciado resultados positivos hasta la fecha de su investigación y desarrollo de sus propios modelos tabulares grandes, y muchas parecen estar trabajando hacia la producción. Cada día surgen noticias sobre las capacidades de la IA generativa, por lo que deben esperarse cambios rápidos y nuevos descubrimientos relacionados con los modelos tabulares grandes.

Por ahora parece que, a diferencia de los LLM, es más probable que los LTM operen entre bambalinas, reforzando los sistemas de prevención del fraude, analizando grandes conjuntos de datos y fortaleciendo las capacidades de ciencia de datos dentro de las organizaciones.

Todavía no sabemos cómo podrían interactuar los LTM con los agentes de IA. Hoy en día, los LLM se utilizan como base para impulsar muchos tipos de agentes de IA, como ChatGPT, pero los mismos tipos de casos de uso no son tan evidentes para los LTM, ya que se emplean más para mejorar y optimizar las operaciones y los sistemas de las organizaciones. Sin embargo, podemos imaginar un futuro en el que un agente pueda trabajar con un LTM para resolver problemas del mundo real de forma similar a como se hace hoy en día con los LLM.

Por ejemplo, algún día un agente podría utilizar el análisis de un LTM para potenciar recomendaciones personalizadas para alguien que compre a través de un chatbot de IA generativa. De este modo, los LTM podrían llegar a utilizarse para ayudar a impulsar el comercio de agentes, una forma de comercio minorista nueva y en desarrollo que utiliza estos agentes para comprar, descubrir y adquirir productos.