Große tabellarische Modelle erklärt: Eine neue Form von Gen AI verstehen

Ein großes Tabellenmodell ist eine Art generative KI-System, das großflächige Tabellen und andere Arten von organisierten Datensätzen analysieren kann, wie etwa Milliarden von Zahlungstransaktionen, die übersichtlich in festen Zeilen und Spalten gespeichert sind. Es kann mithilfe dieser Datensätze nach Mustern suchen und Vorhersagen treffen. Auf diese Weise kann es dabei helfen, Trends und Verhaltensweisen zu erkennen, die für Menschen oder andere Arten von Software nur schwer aufzudecken wären. 

Große Sprachmodelle, die OpenAI’s ChatGPT und Google’s Gemini antreiben, werden mit Texten, Bildern und Videos trainiert, die auch als unstrukturierte Daten bekannt sind. Sie eignen sich besonders gut für die Erstellung ähnlicher Arten von Inhalten wie Kurzgeschichten oder Bildern und können auch zur Entwicklung von Softwarecode verwendet werden.

Ein LTM wird anhand von strukturierten Daten trainiert, wie etwa den Zeilen und Spalten von Transaktionsdatensätzen. LTMs eignen sich hervorragend zum Erkennen von Mustern, zum Vorhersagen von Verhaltensweisen und zur potenziellen Verbesserung von Systemen im Hintergrund.

Beide Arten von generativen KI-Modellen werden anhand riesiger Datenmengen trainiert – seien es geschriebene Texte für LLMs oder organisierte Datensätze für LTMs. Beide Arten von Modellen können dieses Training dann nutzen, um Analysen durchzuführen und Vorhersagen zu treffen.

Für ein LLM kann das bedeuten, dass es nach der Analyse von Millionen und Abermillionen von Sätzen vorhersagt, welches Wort als Nächstes in einem Satz folgen könnte. So ist es in der Lage, eine neue Geschichte oder einen neuen Liedtext zu verfassen.

Für ein LTM kann das bedeuten, die nächste Zahlungskraft oder -transaktion vorherzusagen, nachdem es Milliarden früherer Transaktionen analysiert hat. Auf diese Weise kann es Betrugspräventionsmodelle darüber informieren, was wahrscheinlich eine legitime Transaktion und was möglicherweise Betrug ist.

Während LLMs bei strukturierten Daten nicht ganz so stark sind, zeichnen sich LTMs tendenziell durch die Verarbeitung und Analyse dieser Art von Informationen aus. Da LTMs und LLMs aus unterschiedlichen Arten von Daten lernen, ersetzt das eine das andere nicht. Vielmehr tun sie unterschiedliche Dinge und können sich gegenseitig ergänzen. 

LTMs können verwendet werden, um verschiedene Datensätze und strukturierte Daten zu analysieren, sodass Benutzer neue Zusammenhänge finden und neue Erkenntnisse über große und disparate Tabellen mit vielen Datenzeilen hinweg gewinnen können.

Im Finanzdienstleistungs- und Zahlungsverkehrssektor könnte ein LTM dabei helfen, verdächtige Aktivitäten früher und präziser zu erkennen, indem es Muster aus großen Mengen von Transaktionsdaten erlernt. Es könnte typische Ausgabemuster erkennen und schnell identifizieren, wenn etwas plötzlich nicht zu diesem Muster passt. Da ein LTM lernt, wie normales Verhalten in zahlreichen Situationen aussieht, kann es Betrugserkennungssystemen dabei helfen, zu vermeiden, dass legitime Käufe als Betrug eingestuft werden. Dadurch lassen sich unnötige Kartenablehnungen reduzieren, während gleichzeitig nach echten Risiken gesucht wird.

Mastercard hat mit der Entwicklung eigener LTMs begonnen, die mit Milliarden anonymisierter Transaktionen trainiert wurden, um genau diese Arten von Szenarien und Anwendungen zu untersuchen. Wir sind davon überzeugt, dass unsere LTMs für Cybersicherheit, Treue- und Prämienprogramme, Personalisierungsmodelle, Portfolio-Optimierung und Datenanalysetools verwendet werden können. Da ein LTM zudem flexibler ist als herkömmliche KI-Systeme für maschinelles Lernen, können wir möglicherweise eine Handvoll LTMs verwenden, anstatt heute Tausende traditionellere Modelle für maschinelles Lernen zu erstellen und zu pflegen.

Zusätzlich zu Zahlungen und Finanzdienstleistungen könnten LTMs für jede Branche eingesetzt werden, die große Mengen strukturierter Daten verwaltet – von der Pharmaindustrie über die Energiebranche bis hin zu Transport und Logistik –, damit Unternehmen neue Erkenntnisse in ihren Daten gewinnen können.

Basierend auf öffentlich zugänglichen Informationen zum Veröffentlichungsdatum dieses Artikels scheint es, dass es heute nur wenige – wenn überhaupt – LTMs in der Produktion gibt. Viele Unternehmen haben bisher jedoch positive Ergebnisse bei der Forschung und Entwicklung ihrer eigenen LTMs bekannt gegeben, und viele scheinen auf die Produktionsreife hinzuarbeiten. Jeden Tag gibt es Neuigkeiten über generative KI-Funktionen, weshalb rasche Veränderungen und neue Entdeckungen im Zusammenhang mit LTMs zu erwarten sind.

Im Moment scheint es so, dass LTMs im Gegensatz zu LLMs eher im Hintergrund arbeiten und Betrugspräventionssysteme stärken, große Datensätze analysieren und die Data-Science-Fähigkeiten innerhalb von Unternehmen verbessern.

Wir wissen noch nicht, wie LTMs mit KI-Agenten interagieren könnten. Heutzutage dienen LLMs als Grundlage für viele Arten von KI-Agenten wie ChatGPT, aber ähnliche Anwendungsfälle liegen bei LTMs nicht so nahe, da diese eher zur Verbesserung und Optimierung der Abläufe und Systeme von Organisationen eingesetzt werden. Wir können uns jedoch eine Zukunft vorstellen, in der ein Agent mit einem LTM zusammenarbeiten könnte, um reale Probleme auf ähnliche Weise zu lösen, wie dies heute mit LLMs geschieht.

Ein Agent könnte beispielsweise eines Tages die Analyse eines LTMs nutzen, um personalisierte Empfehlungen für jemanden zu ermöglichen, der über einen generativen KI-Chatbot einkauft. Auf diese Weise könnten LTMs schließlich dazu beitragen, den agentenbasierten Handel (Agentic Commerce) zu unterstützen – eine neue und sich entwickelnde Form des Einzelhandels, bei der diese Agenten zum Einkaufen, Entdecken und Kaufen eingesetzt werden.