Επεξήγηση μεγάλων μοντέλων πινάκων: Κατανόηση μιας νέας μορφής gen AI

Ένα μεγάλο tabular model είναι ένας τύπος συστήματος τεχνητής νοημοσύνης γενικής χρήσης που μπορεί να αναλύει πίνακες μεγάλης κλίμακας και άλλους τύπους οργανωμένων συνόλων δεδομένων, όπως δισεκατομμύρια συναλλαγές πληρωμών που είναι αποθηκευμένες τακτικά σε σταθερές σειρές και στήλες. Μπορεί να αναζητήσει μοτίβα και να κάνει προβλέψεις χρησιμοποιώντας αυτά τα σύνολα δεδομένων. Με αυτόν τον τρόπο, μπορεί να συμβάλει στον εντοπισμό τάσεων και συμπεριφορών που θα ήταν δύσκολο να αποκαλύψουν οι άνθρωποι ή άλλοι τύποι λογισμικού. 

Large language models, which power OpenAI’s ChatGPT and Google’s Gemini, are trained on text, images and videos, also known as unstructured data. Είναι ιδιαίτερα αποτελεσματικά στη δημιουργία παρόμοιων τύπων περιεχομένου, όπως μικρές ιστορίες ή εικόνες, και μπορούν επίσης να χρησιμοποιηθούν για την ανάπτυξη κώδικα λογισμικού.

Ένα LTM εκπαιδεύεται σε δομημένα δεδομένα, όπως οι σειρές και οι στήλες των αρχείων καταγραφής συναλλαγών. Τα LTM είναι αποτελεσματικά στον εντοπισμό μοτίβων, στην πρόβλεψη συμπεριφορών και ενδεχομένως στη βελτίωση συστημάτων στο παρασκήνιο.

Και οι δύο τύποι μοντέλων γενετικής ΤΝ εκπαιδεύονται χρησιμοποιώντας τεράστιους όγκους δεδομένων — είτε πρόκειται για γραπτό κείμενο για LLM είτε για οργανωμένα σύνολα δεδομένων για LTM. Και οι δύο τύποι μοντέλων μπορούν στη συνέχεια να χρησιμοποιήσουν αυτήν την εκπαίδευση για ανάλυση και πρόβλεψη.

Για ένα LLM, αυτό μπορεί να σημαίνει την πρόβλεψη ποια θα είναι η επόμενη λέξη σε μια πρόταση, αφού έχει αναλύσει εκατομμύρια και εκατομμύρια προτάσεις. Έτσι μπορεί να γράψει μια νέα ιστορία ή στίχους τραγουδιού.

Για ένα LTM, αυτό μπορεί να σημαίνει την πρόβλεψη της επόμενης συναλλαγής πληρωμής κάποιου αφού έχει αναλύσει δισεκατομμύρια προηγούμενες συναλλαγές. Με αυτόν τον τρόπο, μπορεί να ενημερώσει τα μοντέλα πρόληψης απάτης σχετικά με το ποια είναι πιθανό να είναι μια νόμιμη συναλλαγή και ποια ενכןέεται να αποτελεί απάτη.

Παρόλο που τα LLM δεν είναι τόσο ισχυρά με δομημένα δεδομένα, τα LTM τείνουν να διακρίνονται στην επεξεργασία και την ανάλυση αυτού του είδος πληροφοριών. Επειδή τα LTM και τα LLM μαθαίνουν από διαφορετικούς τύπους δεδομένων, το ένα δεν αντικαθιστά το άλλο. Αντίθετα, επιτελούν διαφορετικές λειτουργίες και μπορούν να συμπληρώσουν το ένα το άλλο. 

Τα LTM μπορούν να χρησιμοποιηθούν για την ανάλυση διαφορετικών συνόλων δεδομένων και δομημένων δεδομένων, επιτρέποντας στους χρήστες να βρίσκουν νέες συνδέσεις και να αποκτούν νέες πληροφορίες σε μεγάλους και ετεerogenείς πίνακες με πολλές σειρές δεδομένων.

Στις χρηματοοικονομικές υπηρεσίες και τις πληρωμές, ένα LTM θα μπορούσε να συμβάλει στον εντοπισμό ύποπτης δραστηριότητας νωρίτερα και με μεγαλύτερη ακρίβεια, μαθαίνοντας πρότυπα από μεγάλες ποσότητες δεδομένων συναλλαγών. Θα μπορούσε να αναγνωρίζει τα τυπικά πρότυπα δαπανών και να εντοπίζει γρήγορα πότε κάτι ξαφνικά δεν ταιριάζει σε αυτό το πρότυπο. Επειδή ένα LTM μαθαίνει πώς μοιάζει η κανονική συμπεριφορά σε πολλές καταστάσεις, μπορεί να βοηθήσει τα συστήματα απάτης να αποφεύγουν επίσης τον χαρακτηρισμό νόμιμων αγορών ως απάτης, μειώνοντας τις περιττές απορρίψεις καρτών, ενώ ταυτόχρονα συνεχίζουν να αναζητούν πραγματικό κίνδυνο.

Η Mastercard άρχισε να αναπτύσσει τα δικά της LTM, εκπαιδευμένα σε δισεκατομμύρια ανώνυμες συναλλαγές, για να διερευνήσει ακριβώς αυτού του είδους τα σενάρια και τις χρήσεις. Πιστεύουμε ότι τα LTM μας θα μπορούσαν να χρησιμοποιηθούν για την κυβερνοασφάλεια, προγράμματα επιβράβευσης και αφοσίωσης πελατών, μοντέλα εξατομίκευσης, τη βελτιστοποίηση χαρτοφυλακίου και εργαλεία ανάλυσης δεδομένων. Επιπλέον, επειδή ένα LTM είναι πιο ευέλικτο από τα υφισταμένα παραδοσιακά συστήματα AI μηχανικής μάθησης, ενδέχεται να είμαστε σε θέση να χρησιμοποιήσουμε ελάχιστα LTM αντί να κατασκευάζουμε και να συντηρούμε χιλιάδες πιο παραδοσιακά μοντέλα μηχανικής μάθησης σήμερα.

Εκτός από τις πληρωμές και τις χρηματοπιστωτικές υπηρεσίες, τα LTM θα μπορούσαν να χρησιμοποιηθούν σε οποιονδήποτε κλάδο διαχειρίζεται μεγάλες ποσότητες δομημένων δεδομένων — από τη φαρμακευτική βιομηχανία και την ενέργεια έως τις μεταφορές και τα logistics — ώστε οι οργανισμοί να εντοπίζουν νέες γνώσεις στα δεδομένα τους.

Με βάση τις δημόσια διαθέσιμες πληροφορίες από την ημερομηνία δημοσίευσης αυτού του άρθρου, φαίνεται ότι υπάρχουν ελάχιστα —αν όχι καθόλου— LTM σε παραγωγική λειτουργία σήμερα. Ωστόσο, πολλές εταιρείες έχουν ανακοινώσει θετικά αποτελέσματα μέχρι στιγμής από την έρευνα και την ανάπτυξη των δικών τους LTM, και πολλές φαίνεται να εργάζονται προς την κατεύθυνση της παραγωγής. Καθημερινά δημοσιεύονται ειδήσεις σχετικά με τις δυνατότητες της γεν-AI (generative AI), οπότε πρέπει να αναμένονται ραγδαίες αλλαγές και νέες ανακαλύψεις που αφορούν τα LTM.

Προς το παρόν φαίνεται ότι, σε αντίθεση με τα LLM, τα LTM είναι πιθανότερο να λειτουργούν στο παρασκήνio, ενισχύοντας τα συστήματα πρόληψης της απάτης, αναλύοντας μεγάλα σύνολα δεδομένων και ενισχύοντας τις δυνατότητες επιστήμης δεδομένων εντός των οργανισμών.

Δεν γνωρίζουμε ακόμη πώς τα LTM θα μπορούσαν να αλληλεπιδράσουν με πράκτορες τεχνητής νοημοσύνης. Σήμερα, τα LLM χρησιμοποιούνται ως θεμέλιο για την τροφοδοσία πολλών ειδών πρακτόρων τεχνητής νοημοσύνης, όπως το ChatGPT, αλλά οι ίδιου τύπου περιπτώσεις χρήσης δεν είναι εξίσου προφανείς για τα LTM, καθώς χρησιμοποιούνται περισσότερο για τη βελτίωση και τον εξορθολογισμό των λειτουργιών και των συστημάτων των οργανισμών. Ωστόσο, μπορούμε να φανταστούμε ένα μέλλον στο οποίο ένας πράκτορας θα μπορούσε να συνεργαστεί με ένα LTM για την επίλυση προβλημάτων του πραγματικού κόσμου με παρόμοιο τρόπο με αυτόν που γίνεται σήμερα με τα LLM.

Για παράδειγμα, ένας πράκτορας θα μπορούσε κάποια μέρα να χρησιμοποιήσει την ανάλυση από ένα LTM για να τροφοδοτήσει εξατομικευμένες προτάσεις για κάποιον που ψωνίζει μέσω ενός chatbot γενετικής τεχνητής νοημοσύνης. Με αυτόν τον τρόπο, τα LTM θα μπορούσαν τελικά να χρησιμοποιηθούν για να συμβάλουν στην προώθηση του εμπορίου μέσω πρακτόρων (agentic commerce), μιας νέας και αναπτυσσόμενης μορφής λιανικής πώλησης που χρησιμοποιεί αυτούς τους πράκτορες για αγορές, αναζήτηση και αγορά.