Grandi modelli tabulari spiegati: comprendere una nuova forma di IA generativa

Un modello tabulare di grandi dimensioni è un tipo di sistema di IA generativa in grado di analizzare tabelle su larga scala e altri tipi di set di dati organizzati, come miliardi di transazioni di pagamento memorizzate ordinatamente in righe e colonne fisse. Il sistema è in grado di cercare modelli e fare previsioni utilizzando questi dataset. In questo modo, aiuta a individuare tendenze e comportamenti che sarebbe difficile scoprire per le persone o per altri tipi di software. 

I modelli linguistici di grandi dimensioni, che alimentano ChatGPT di OpenAI e Gemini di Google, sono addestrati su testi, immagini e video, noti anche come dati non strutturati. Sono particolarmente adatti alla creazione di tipi di contenuti simili, come racconti o immagini, e possono essere utilizzati anche per sviluppare codice software.

Un LTM viene addestrato su dati strutturati, come le righe e le colonne dei record delle transazioni. Gli LTM sono efficaci nell'individuare modelli, prevedere comportamenti e potenzialmente migliorare i sistemi dietro le quinte.

Entrambi i tipi di modelli di IA generativa vengono addestrati utilizzando enormi volumi di dati, che si tratti di testo scritto per gli LLM o di dataset organizzati per gli LTM. Entrambi i tipi di modelli possono quindi utilizzare questo addestramento per effettuare analisi e previsioni.

Per un LLM, ciò può significare prevedere quale sarà la parola successiva in una frase dopo aver analizzato milioni e milioni di frasi. È così che riesce a scrivere una nuova storia o il testo di una canzone.

Per un LTM, ciò può significare prevedere la transazione di pagamento successiva di un utente dopo aver analizzato miliardi di transazioni precedenti. In questo modo, può informare i modelli di prevenzione delle frodi su quale sia presumibilmente una transazione legittima e quale possa costituire una frode.

Sebbene gli LLM non siano altrettanto efficaci con i dati strutturati, gli LTM tendono a eccellere nell'elaborazione e nell'analisi di questo tipo di informazioni. Poiché gli LTM e gli LLM apprendono da diversi tipi di dati, l'uno non sostituisce l'altro. Piuttosto, svolgono funzioni diverse e possono integrarsi a vicenda. 

Gli LTM possono essere utilizzati per analizzare diversi dataset e dati strutturati, consentendo agli utenti di trovare nuove connessioni e ottenere nuovi insight in tabelle grandi ed eterogenee con molte righe di dati.

Nei servizi finanziari e nei pagamenti, un LTM potrebbe contribuire a individuare attività sospette in anticipo e con maggiore precisione, apprendendo modelli da grandi quantità di dati di transazione. Potrebbe riconoscere i tipici modelli di spesa e identificare rapidamente quando improvvisamente qualcosa non corrisponde a tali modelli. Poiché un LTM apprende quale sia il comportamento normale in molte situazioni, può aiutare i sistemi antifrode anche a evitare di segnalare acquisti legittimi come frodi, riducendo i rifiuti di carte non necessari e continuando al contempo a cercare rischi reali.

Mastercard ha iniziato a sviluppare i propri LTM, addestrati su miliardi di transazioni anonimizzate, per indagare esattamente su questo genere di scenari e utilizzi. Riteniamo che i nostri LTM possano essere utilizzati per la cybersecurity, i programmi di fidelizzazione e premi, i modelli di personalizzazione, l'ottimizzazione del portafoglio e gli strumenti di analisi dei dati. Inoltre, poiché un LTM è più flessibile rispetto ai sistemi di IA basati su machine learning tradizionali esistenti, potremmo essere in grado di utilizzare un numero ristretto di LTM anziché sviluppare e mantenere migliaia di modelli di machine learning più tradizionali.

Oltre che ai pagamenti e ai servizi finanziari, gli LTM possono essere applicati a qualsiasi settore che gestisca grandi quantità di dati strutturati – dai prodotti farmaceutici all'energia, fino ai trasporti e alla logistica – consentendo alle organizzazioni di individuare nuovi insight nei propri dati.

In base alle informazioni pubblicamente disponibili alla data di pubblicazione di questo articolo, risulta che vi siano pochi LTM in produzione oggi, se pur ve ne sono. Tuttavia, finora molte aziende hanno annunciato risultati positivi derivanti dalla ricerca e dallo sviluppo dei propri LTM, e molte sembrano lavorare per portarli in produzione. Ogni giorno emergono notizie sulle funzionalità dell'intelligenza artificiale generativa, perciò c'è da aspettarsi rapidi cambiamenti e nuove scoperte riguardanti gli LTM.

Per ora sembra che, a differenza degli LLM, gli LTM abbiano maggiori probabilità di operare dietro le quinte, rafforzando i sistemi di prevenzione delle frodi, analizzando grandi set di dati e potenziando le capacità di data science all'interno delle organizzazioni.

Non sappiamo ancora come gli LTM potrebbero interagire con gli agenti IA. Oggi gli LLM sono utilizzati come base per alimentare molti tipi di agenti IA, come ChatGPT, ma lo stesso genere di casi d'uso non è altreéttanto evidente per gli LTM, poiché questi ultimi vengono impiegati principalmente per migliorare e ottimizzare le operazioni e i sistemi delle organizzazioni. Tuttavia, possiamo immaginare un futuro in cui un agente potrebbe collaborare con un LTM per risolvere problemi del mondo reale in modo simile a quanto avviene oggi con gli LLM.

Ad esempio, un giorno un agente potrebbe sfruttare l'analisi di un LTM per offrire consigli personalizzati a un utente che effettua acquisti tramite un chatbot con IA generativa. In questo modo, gli LTM potrebbero un giorno contribuire a promuovere il commercio agentico, una forma di retail nuova e in evoluzione che si avvale di questi agenti per cercare, scoprire e acquistare.