Explication des grands modèles tabulaires : Comprendre une nouvelle forme d'IA générative

Un modèle tabulaire de grande taille est un type de système d’IA générative capable d’analyser des tables à grande échelle et d’autres types de jeux de données organisés, tels que des milliards de transactions de paiement stockées soigneusement en lignes et en colonnes fixes. Il peut rechercher des schémas et formuler des prédictions à l’aide de ces jeux de données. De cette manière, il peut aider à repérer des tendances et des comportements qu’il serait difficile pour les humains, ou pour d’autres types de logiciels, de découvrir. 

Les grands modèles de langage, qui alimentent ChatGPT d’OpenAI et Gemini de Google, sont entraînés sur des textes, des images et des vidéos, également connus sous le nom de données non structurées. Ils sont particulièrement doués pour créer des types de contenu similaires, tels que des nouvelles ou des images, et peuvent également être utilisés pour développer du code informatique.

Un LTM est entraîné sur des données structurées, telles que les lignes et les colonnes d’enregistrements de transactions. Les LTM excèlent dans la recherche de schémas, la prédiction de comportements et l’amélioration potentielle de systèmes en arrière-plan.

Les deux types de modèles d’IA générative sont entraînés à l’aide d’énormes volumes de données — qu’il s’agisse de texte écrit pour les LLM ou de jeux de données organisés pour les LTM. Les deux types de modèles peuvent ensuite utiliser cet apprentissage pour analyser et prédire.

Pour un LLM, cela peut signifier prédire quel sera le mot suivant dans une phrase après avoir analysé des millions et des millions de phrases. C'est ainsi qu'il est capable d'écrire une nouvelle histoire ou des paroles de chanson.

Pour un modèle LTM, cela peut signifier prédire la prochaine transaction de paiement d'une personne après avoir analysé des milliards de transactions antérieures. De cette façon, ils peuvent indiquer aux modèles de prévention de la fraude ce qui constitue probablement une transaction légitime et ce qui pourrait être une fraude.

Bien que les LLM ne soient pas aussi performants avec les données structurées, les LTM ont tendance à exceller dans le traitement et l’analyse de ce type d’informations. Étant donné que les LTM et les LLM apprennent à partir de différents types de données, l’un ne remplace pas l’autre. Au contraire, ils remplissent des rôles différents et peuvent se complèter. 

Les LTM peuvent être utilisés pour analyser différents ensembles de données et données structurées, permettant aux utilisateurs de trouver de nouvelles connexions et d'obtenir de nouvelles perspectives à travers des tables vastes et disparates comportant de nombreuses lignes de données.

Dans les services financiers et les paiements, un LTM pourrait aider à repérer une activité suspecte plus tôt et avec plus de précision en apprenant les schémas à partir d’un volume important de données de transaction. Il pourrait reconnaître les habitudes de dépenses typiques et identifier rapidement lorsqu’un événement s’écarte soudainement de ce schéma. Comme un LTM apprend à quoi ressemble un comportement normal dans de nombreuses situations, il peut aider les systèmes de fraude à éviter de signaler à tort des achats légitimes comme étant frauduleux, réduisant ainsi les refus de cartes inutiles tout en continuant à rechercher de véritables risques.

Mastercard a commencé à développer ses propres LTM, entraînés sur des milliards de transactions anonymisées, afin d'étudier précisément ce type de scénarios et d'utilisations. Nous pensons que nos LTM pourraient être utilisés pour la cybersécurité, les programmes de fidélité et de récompenses, les modèles de personnalisation, l'optimisation de portefeuille et les outils d'analyse de données. De plus, comme un LTM est plus flexible que les systèmes d'IA d'apprentissage automatique traditionnels existants, nous pourrions être en mesure d'utiliser une poignée de LTM au lieu de créer et de maintenir des milliers de modèles d'apprentissage automatique plus traditionnels aujourd'hui.

Outre les paiements et les services financiers, les LTM pourraient être utilisés dans tous les secteurs qui gèrent d’importantes quantités de données structurées — de la pharmacie à l’énergie en passant par le transport et la logistique — afin de permettre aux organisations d’identifier de nouvelles informations au sein de leurs données.

D'après les informations accessibles au public à la date de publication de cet article, il semble qu'il y ait peu — voire aucun — de LTM en production aujourd'hui. Cependant, de nombreuses entreprises ont annoncé des résultats positifs jusqu'à présent concernant la recherche et le développement de leurs propres LTM, et beaucoup semblent progresser vers la production. Des nouvelles tombent chaque jour concernant les capacités de l'IA générative, il faut donc s'attendre à des changements rapides et à de nouvelles découvertes impliquant les LTM.

Pour l'instant, il semble que, contrairement aux LLM, les LTM soient plus susceptibles de fonctionner en arrière-plan, en renforçant les systèmes de prévention de la fraude, en analysant de grands ensembles de données et en renforçant les capacités de science des données au sein des organisations.

Nous ne savons pas encore comment les LTM pourraient interagir avec les agents IA. Aujourd’hui, les LLM servent de fondement pour propulser de nombreux types d’agents IA, tels que ChatGPT, mais des cas d’utilisation similaires ne sont pas aussi évidents pour les LTM, car ces derniers sont davantage employés pour améliorer et rationaliser les opérations et les systèmes des organisations. Cependant, nous pouvons imaginer un avenir où un agent pourrait travailler avec un LTM pour résoudre des problèmes du monde réel, d’une manière similaire à ce qui se fait aujourd’hui avec les LLM.

Par exemple, un agent pourrait un jour utiliser l’analyse d’un LTM pour propulser des recommandations personnalisées destinées à une personne effectuant ses achats par l’intermédiaire d’un chatbot d’IA générative. De cette façon, les LTM pourraient finir par être utilisés pour contribuer à propulser le commerce agentique, une forme de vente au détail nouvelle et en développement qui utilise ces agents pour faire des achats, découvrir et acheter.