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

Un grand modèle tabulaire est un type de système d'IA générative capable d'analyser des tableaux à grande échelle et d'autres types de jeux de données organisés, tels que des milliards de transactions de paiement stockées soigneusement dans des lignes et des colonnes fixes. Il peut rechercher des tendances et faire des prévisions à l'aide de ces jeux de données. De cette façon, il peut aider à repérer des tendances et des comportements qu'il serait difficile pour des humains ou 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 appelés données non structurées. Ils excellent particulièrement dans la création de 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 excellent dans la recherche de modèles, la prédiction des comportements et l'amélioration potentielle des systèmes en arrière-plan.

Ces deux types de modèles d'IA générative sont entraînés à l'aide de volumes de données considérables — qu'il s'agisse de texte écrit pour les LLM ou d'ensembles 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 en avoir analysé des millions et des millions. C'est ainsi qu'il est capable d'écrire une nouvelle histoire ou des paroles de chanson.

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

Alors que les LLM ne sont 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 tirent leurs enseignements de différents types de données, l'un ne remplace pas l'autre. Au contraire, ils remplissent des fonctions différentes et peuvent se compléter. 

Les LTM peuvent être utilisés pour analyser différents ensembles de données et des données structurées, permettant ainsi aux utilisateurs de découvrir de nouvelles connexions et d'obtenir de nouvelles informations à partir de tables vastes et hétérogènes comportant de nombreuses lignes de données.

Dans les services financiers et les paiements, un LTM pourrait aider à repérer les activités suspectes plus tôt et plus précisément en analysant les tendances à partir d'importants volumes de données de transaction. Il pourrait reconnaître les habitudes de dépenses typiques et identifier rapidement lorsqu'un élément ne correspond soudainement plus à ce modèle. Comme un LTM apprend à quoi ressemble un comportement normal dans de nombreuses situations, il peut également aider les systèmes de lutte contre la fraude à éviter de signaler des achats légitimes comme frauduleux, ce qui réduit les refus de carte inutiles tout en continuant à détecter les risques réels.

Mastercard a commencé à développer ses propres LTM, formés sur des milliards de transactions anonymisées, afin d'examiner 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 construire 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 de grandes quantités de données structurées — de la pharmacie à l'énergie, en passant par le transport et la logistique — afin de permettre aux organisations de dégager de nouvelles perspectives à partir de leurs données.

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

Pour l'instant, il apparaît que, contrairement aux LLM, les LTM sont plus susceptibles d'agir en arrière-plan, en renforçant les systèmes de prévention de la fraude, en analysant de grands ensembles de données et en consolidant 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 alimenter de nombreux types d'agents IA, comme ChatGPT, mais les mêmes types de cas d'utilisation ne sont pas aussi évidents pour les LTM, car ces derniers sont davantage utilisés pour améliorer et rationaliser les opérations et les systèmes des organisations. Cependant, nous pouvons imaginer un avenir dans lequel un agent pourrait travailler avec un LTM pour résoudre des problèmes du monde réel, de la même manière que cela se fait aujourd'hui avec les LLM.

Par exemple, un agent pourrait un jour utiliser l'analyse d'un LTM pour alimenter des recommandations personnalisées destinées à une personne effectuant des achats par l'intermédiaire d'un chatbot d'IA générative. De cette manière, les LTM pourraient éventuellement être utilisés pour contribuer à alimenter le commerce agentique, une forme de vente au détail nouvelle et en développement qui a recours à ces agents pour faire du shopping, découvrir des produits et effectuer des achats.