Обяснение на големите табуларни модели: Разбиране на нова форма на генеративен AI

Големият табуларен модел е вид генеративна AI система, която може да анализира мащабни таблици и други видове организирани набори от данни, като например милиарди платежни транзакции, съхранявани подредено във фиксирани редове и колони. Тя може да търси модели и да прави прогнози, използвайки тези набори от данни. По този начин тя може да помогне за откриването на тенденции и поведения, които биха били трудни за разкриване от хора или други видове софтуер. 

Големите езикови модели, които захранват ChatGPT на OpenAI и Gemini на Google, са обучени върху текст, изображения и видеоклипове, известни още като неструктурирани данни. Те се справят особено добре с създаването на подобни видове съдържание, като например разкази или изображения, и могат да се използват и за разработване на софтуерен код.

LTM се обучава върху структурирани данни, като например редовете и колоните на записи на транзакции. LTM се справят добре с откриването на модели, предсказването на поведения и евентуалното подобряване на задкулисните системи.

И двата вида генеративни AI модели се обучават с помощта на огромни обеми данни – независимо дали става въпрос за написан текст за LLM, или за организирани масиви от данни за LTM. След това и двата вида модели могат да използват това обучение за анализ и предвиждане.

За един LLM това може да означава предвиждане каква може да бъде следващата дума в дадено изречение, след като е анализирал милиони и милиони изречения. Ето как той може да напише нова история или текст на песен.

За един LTM това може да означава предвиждане на следващата платежна транзакция на дадено лице, след като са били анализирани милиарди предишни транзакции. По този начин той може да информира моделите за предотвратяване на измами относно това коя транзакция вероятно е легитимна и коя може да представлява измама.

Въпреки че LLM не се справят толкова добре със структурирани данни, LTM обикновено се отличават с обработката и анализа на този вид информация. Тъй като LTM и LLM се учат от различни видове данни, едната не замества другата. Напротив, те правят различни неща и могат да се допълват взаимно. 

LTM могат да се използват за анализ на различни набори от данни и структурирани данни, което позволява на потребителите да откриват нови връзки и да придобиват нови прозрения в големи и разнообразни таблици с много редове данни.

във финансовите услуги и плащанията един LTM може да помогне за по-ранното и по-точно откриване на подозрителна активност чрез усвояване на модели от големи количества данни за транзакции. Той може да разпознава типичните модели на харчене и бързо да установява кога нещо внезапно се отклонява от този модел. Тъй като един LTM се научава как изглежда нормалното поведение в множество ситуации, той може да помогне на системите за защита срещу измами да избегнат и маркирането на легитимни покупки като измами, като същевременно намалява излишните отхвърляния на карти, без да престава да търси реални рискове.

Mastercard започна да разработва собствени LTM, обучени на милиарди анонимизирани транзакции, за да проучва точно такива сценарии и приложения. Вярваме, че нашите LTM могат да се използват за киберсигурност, програми за лоялност и награди, модели за персонализиране, оптимизация на портфолиото и инструменти за анализ на данни. Освен това, тъй като LTM е по-гъвкав от съществуващите традиционни AI системи с машинно обучение, може да успеем да използваме шепа LTM вместо изграждането и поддръжката на хиляди по-традиционни модели за машинно обучение днес.

В допълнение към плащанията и финансовите услуги LTM могат да се използват във всяка индустрия, която управлява големи количества структурирани данни – от фармацевтичната до енергетиката, транспорта и логистиката – така че организациите да могат да откриват нови прозрения в своите данни.

Въз основа на публично достъпна информация към датата на публикуване на тази статия изглежда, че към днешна дата има малко — ако изобщо има такива — LTM в производство. Много компании обаче съобщават за положителни резултати досега от собствените си изследвания и развойна дейност по отношение на техните собствени LTM и изглежда, че много от тях работят по насочването им към производство. Всеки ден излизат новини за възможностите на генеративния изкуствен интелект (AI), така че следва да се очакват бързи промени и нови открития, свързани с LTM.

Засега изглежда, че за разлика от LLM, LTM е по-вероятно да работят зад кулисите, като укрепват системите за предотвратяване на измами, анализират големи набори от данни и засилват възможностите за наука за данните в рамките на организациите.

Все още не знаем как LTM могат да взаимодействат с AI агенти. Днес големите езикови модели (LLM) се използват като основа за захранване на много видове AI агенти, като например ChatGPT, но сходни случаи на употреба не са толкова очевидни за LTM, тъй като те се използват повече за подобряване и оптимизиране на операциите и системите на организациите. Можем обаче да си представим бъдеще, в което даден агент би могъл да работи с LTM за решаване на проблеми от реалния свят по начин, подобен на това, което се прави днес с LLM.

For example, an agent could someday use the analysis from an LTM to power personalized recommendations for someone shopping through a gen-AI chatbot. In this way, LTMs could eventually be used to help power agentic commerce, a new and developing form of retail using these agents to shop, discover and buy.