Veliki tablični modeli objašnjeni: razumijevanje novog oblika generativne umjetne inteligencije

Veliki tablični model vrsta je generativnog AI sustava koji može analizirati tablice velikih razmjera i druge vrste organiziranih skupova podataka, kao što su milijarde platnih transakcija uredno pohranjenih u fiksnim redovima i stupcima. Može tražiti obrasce i izrađivati predviđanja upotrebljavajući ove skupove podataka. Na taj način može pomoći u uočavanju trendova i ponašanja koja bi ljudima ili drugim vrstama softvera bilo teško otkriti. 

Veliki jezični modeli, koji pokreću ChatGPT tvrtke OpenAI i Gemini tvrtke Google, obučeni su na tekstu, slikama i videozapisima, što je poznato i kao nestrukturirani podaci. Posebno su dobri u stvaranju sličnih vrsta sadržaja, kao što su kratke priče ili slike, a mogu se upotrebljavati i za razvoj softverskog koda.

LTM se obučava na strukturiranim podacima, kao što su retci i stupci zapisa transakcija. LTM-ovi su dobri u pronalaženju obrazaca, predviđanju ponašanja i potencijalnom poboljšanju sustava u pozadini.

Obje vrste modela generativne umjetne inteligencije obučavaju se na golemim količinama podataka – bilo da je riječ o pisanom tekstu za velike jezične modele (LLM) ili organiziranim skupovima podataka za modele za učenje na tablicama (LTM). Obje vrste modela tada mogu upotrebljavati tu obuku za analizu i predviđanje.

Za LLM to može značiti predviđanje koja bi mogla biti sljedeća riječ u rečenici nakon što je analizirao milijune i milijune rečenica. Tako može napisati novu priču ili stihove pjesme.

Za LTM to može značiti predviđanje nečije sljedeće transakcije plaćanja nakon analize milijardi prethodnih transakcija. Na taj način može obavijestiti modele za prevenciju prijevara o tome što je vjerojatno legitimna transakcija, a što bi mogla biti prijevara.

Iako LLM-ovi nisu toliko dobri sa strukturiranim podacima, LTM-ovi se obično ističu u obradi i analizi ove vrste informacija. Budući da LTM-ovi i LLM-ovi uče iz različitih vrsta podataka, jedan ne zamjenjuje drugi. Umjesto toga, oni rade različite stvari i mogu se međusobno nadopunjavati. 

Modeli LTM mogu se upotrebljavati za analizu različitih skupova podataka i strukturiranih podataka, omogućujući korisnicima pronalazak novih veza i stjecanje novih uvida u velikim i nepovezanim tablicama s mnogo redaka podataka.

U financijskim uslugama i plaćanjima LTM može pomoći u ranijem i preciznijem prepoznavanju sumnjivih aktivnosti učenjem obrazaca iz velikih količina transakcijskih podataka. Može prepoznati uobičajene obrasce potrošnje i brzo prepoznati kada nešto iznenada ne odgovara tom obrascu. Budući da LTM uči kako izgleda uobičajeno ponašanje u brojnim situacijama, sustavima za sprječavanje prijevara može pomoći i u izbjegavanju označavanja legitimnih kupnji kao prijevara, čime se smanjuje broj nepotrebnih odbijanja kartica uz istodobno traganje za stvarnim rizikom.

Mastercard je počeo razvijati vlastite LTM-ove, obučene na milijardama anonimiziranih transakcija, kako bi istražio upravo ove vrste scenarija i primjena. Vjerujemo da bi se naši LTM-ovi mogli koristiti za sigurnost na internetu, programe vjernosti i nagrađivanja, modele personalizacije, optimizaciju portfelja i alate za analizu podataka. Osim toga, budući da je LTM fleksibilniji od postojećih tradicionalnih AI sustava temeljenih na strojnom učenju, možda ćemo moći koristiti nekoliko LTM-ova umjesto da danas gradimo i održavamo tisuće tradicionalnijih modela strojnog učenja.

Uz plaćanja i financijske usluge, LTM-ovi bi se mogli koristiti u svakoj industriji koja upravlja velikim količinama strukturiranih podataka – od farmacije do energetike, prometa i logistike – kako bi organizacije mogle prepoznati nove uvide u svojim podacima.

Na temelju javno dostupnih informacija na dan objave ovog članka čini se da je danas u produkciji malo modela LTM – ako ih uopće ima. Međutim, mnoge su tvrtke dosad najavile pozitivne rezultate svog istraživanja i razvoja vlastitih modela LTM, a čini se da mnoge rade na ostvarivanju produkcije. Svaki dan stižu vijesti o mogućnostima generativne umjetne inteligencije, stoga treba očekivati brze promjene i nova otkrića koja uključuju LTM-ove.

Za sada se čini da, za razliku od LLM-ova, LTM-ovi vjerojatno češće djeluju u pozadini, jačajući sustave za prevenciju prijevara, analizirajući velike skupove podataka i jačajući mogućnosti podatkovne znanosti unutar organizacija.

Još ne znamo kako bi LTM-ovi mogli komunicirati s AI agentima. Danas se LLM-ovi koriste kao temelj za pokretanje mnogih vrsta AI agenata, poput ChatGPT-ja, no iste vrste slučajeva upotrebe nisu toliko očite za LTM-ove budući da se oni više koriste za poboljšanje i pojednostavnjenje poslovanja i sustava organizacija. Međutim, možemo zamisliti budućnost u kojoj bi agent mogao surađivati s LTM-om kako bi rješavao probleme iz stvarnog svijeta na sličan način na koji se to danas radi s LLM-ovima.

Na primjer, agent bi u budućnosti mogao upotrijebiti analizu iz LTM-a kako bi omogućio personalizirane preporuke za nekoga tko kupuje putem chatbota s generativnom umjetnom inteligencijom. Na taj bi se način LTM-ovi s vremenom mogli koristiti kao pomoć u pokretanju agentske trgovine, novog i nadolazećeg oblika maloprodaje koji koristi ove agente za kupovinu, pretraživanje i kupnju.