Nagyméretű tabuláris modellek magyarázata: egy új generatív AI-forma megértése

A nagy táblázatos modell egy olyan generatív mesterségesintelligencia-rendszer, amely képes nagyméretű táblázatok és más rendezett adatkészletek – például fix sorokban és oszlopokban rendezett, milliárdnyi fizetési tranzakció – elemzésére. Ezeket az adatkészleteket használva mintákat kereshet, és előrejelzéseket készíthet. Ily módon olyan trendek és viselkedési minták feltárásában segíthet, amelyeket az embereknek vagy más típusú szoftvereknek nehéz lenne felismerniük. 

A nagy nyelvi modellek, amelyek az OpenAI ChatGPT és a Google Gemini rendszerét is hajtják, szövegeken, képeken és videókon – úgynevezett strukturálatlan adatokon – alapuló betanításon esnek át. Különösen jók hasonló típusú tartalom – például novellák vagy képek – létrehozásában, és szoftverkód fejlesztésére is használhatók.

Az LTM-eket strukturált adatokon, például a tranzakciós rekordok sorain és oszlopain tanítják be. Az LTM-ek kiválóan alkalmasak a minták felismerésére, a viselkedés előrejelzésére és a háttérben zajló rendszerek esetleges fejlesztésére.

Mindkét típusú generatív AI-modellt hatalmas mennyiségű adaton tanítják be – legyen szó írott szövegről az LLM-ek vagy rendezett adathalmazokról az LTM-ek esetében. Mindkét típusú modell képes ezután felhasználni ezt a betanítást az elemzésre és az előrejelzésre.

Egy nagy nyelvi modell (LLM) számára ez azt jelentheti, hogy millió meg millió mondat elemzése után előrejelzi, mi lehet a következő szó egy mondatban. Így képes új történetet vagy dalszöveget írni.

Egy LTM esetében ez azt jelentheti, hogy előre jelezheti valaki következő fizetési tranzakcióját miután milliárdnyi korábbi tranzakciót elemzett. Így tájékoztatni tudja a csalásmegelőzési modelleket arról, hogy mi valószínűleg a jogos tranzakció és mi lehet csalás.

Bár az LLM-ek nem olyan erősek a strukturált adatok kezelésében, az LTM-ek kiválóan alkalmasak az ilyen típusú információk feldolgozására és elemzésére. Mivel az LTM-ek és az LLM-ek különböző típusú adatokból tanulnak, az egyik nem helyettesíti a másikat. Inkább különböző dolgokat végeznek, és kiegészíthetik egymást. 

Az LTM-ek különböző adatkészletek és strukturált adatok elemzésére használhatók, lehetővé téve a felhasználók számára, hogy új összefüggéseket találjanak, és új elemzéseket nyerjenek a sok adatsort tartalmazó, nagy méretű és eltérő táblázatokból.

A pénzügyi szolgáltatások és a fizetések területén az LTM segíthet a gyanús tevékenységek korábbi és pontosabb felismerésében azáltal, hogy mintákat tanul meg hatalmas mennyiségű tranzakciós adatból. Felismerhetné a tipikus költési mintákat, és gyorsan azonosíthatná, ha valami hirtelen nem illik abba a mintába. Mivel az LTM megtanulja, hogy mi a normális viselkedés számos helyzetben, segít a csaláskezelő rendszereknek abban is, hogy elkerüljék a legális vásárlások csalásként való megjelölését, így csökkentve a felesleges kártyaelutasításokat, miközben továbbra is figyelik a valós kockázatokat.

A Mastercard saját LTM-ek fejlesztésébe kezdett, amelyeket milliárdnyi anonimizált tranzakción tanítottak be, hogy pontosan az ilyen típusú forgatókönyveket és felhasználási módokat vizsgálják. Hiszünk abban, hogy az LTM-ek használhatók a kiberbiztonság, a hűség- és jutalomprogramok, a személyre szabási modellek, a portfólióoptimalizálás és az adatelemző eszközök területén. Emellett mivel az LTM rugalmasabb, mint a meglévő hagyományos gépi tanulásos AI-rendszerek, előfordulhat, hogy a mai napon ezer hagyományosabb gépi tanulási modell felépítése és karbantartása helyett néhány LTM-et tudunk használni.

A fizetési és pénzügyi szolgáltatásokon túl az LTM-ek a nagy mennyiségű strukturált adatot kezelő bármely iparágban – a gyógyszeripartól az energetikán át a közlekedésig és a logisztikáig – használhatók, így a szervezetek új összefüggéseket tárhatnak fel az adataikban.

A cikk megjelenési időpontjában rendelkezésre álló nyilvános adatok alapján úgy tűnik, hogy jelenleg kevés LTM működik éles környezetben – ha egyáltalán van ilyen. Sok vállalat azonban eddig is kedvező eredményekről számolt be saját LTM-jeinek kutatása és fejlesztése terén, és sokan úgy tűnik, hogy a gyártási/éles fázis elérésén dolgoznak. Mindennap érkeznek hírek a generatív mesterségesintelligencia-képességekről, így gyors változásokra és az LTM-eket érintő új felfedezésekre kell számítani.

Egyelőre úgy tűnik, hogy az LLM-ekkel ellentétben az LTM-ek nagyobb valószínűséggel működnek a háttérben, erősítve a csalásmegelőzési rendszereket, elemezve a nagy adathalmazokat és javítva a szervezetek adattudományi képességeit.

Még nem tudjuk, hogy az LTM-ek hogyan léphetnek kapcsolatba a következőkkel: AI-ügynökök. Napjainkban az LLM-eket használják alapként számos különböző típusú AI-ügynök, például a ChatGPT működtetéséhez, de az LTM-ek esetében ugyanezek a felhasználási esetek nem olyan nyilvánvalóak, mivel ezeket inkább a szervezetek működésének és rendszereinek javítására és ésszerűsítésére használják. Azonban elképzelhetünk egy olyan jövőt, amelyben egy ügynök képes LTM-mel együttműködni a valós problémák megoldása érdekében, hasonló módon ahhoz, ahogyan ez ma az LLM-ekkel történik.

Egy ügynök például a valaha egy LTM elemzését felhasználva személyre szabott ajánlásokat biztosíthat valaki számára, aki egy gen-AI csevegőbotn keresztül vásárol. Ily módon az LTM-ek idővel felhasználhatók az ügynökalapú kereskedelem ösztönzésére is, amely a kiskereskedelem egy új és fejlődő formája, amely ezen ügynököket használja a vásárlásra, felfedezésre és beszerzésre.