Large tabular models uitgelegd: Inzicht in een nieuwe vorm van gen-AI

Een groot tabelmodel is een type generatief AI-systeem dat grootschalige tabellen en andere soorten georganiseerde datasets kan analyseren, zoals miljarden betalingstransacties die netjes zijn opgeslagen in vaste rijen en kolommen. Het kan deze datasets gebruiken om patronen te zoeken en voorspellingen te doen. Op die manier kan het trends en gedrag helpen ontdekken die voor mensen of andere soorten software moeilijk te achterhalen zouden zijn. 

Large language models, die OpenAI's ChatGPT en Google's Gemini aansturen, worden getraind op tekst, afbeeldingen en video's, ook wel ongestructureerde data genoemd. Ze zijn bijzonder goed in het creëren van vergelijkbare soorten inhoud, zoals korte verhalen of afbeeldingen, en kunnen ook worden gebruikt om softwarecode te ontwikkelen.

Een LTM wordt getraind op gestructureerde gegevens, zoals de rijen en kolommen van transactieregisters. LTM's zijn goed in het vinden van patronen, het voorspellen van gedrag en het mogelijk verbeteren van systemen achter de schermen.

Beide typen generatieve AI-modellen worden getraind met enorme hoeveelheden gegevens — of dat nu geschreven tekst is voor LLM's of georganiseerde datasets voor LTM's. Beide typen modellen kunnen deze training vervolgens gebruiken om te analyseren en te voorspellen.

Voor een LLM kan dat betekenen dat het voorspelt wat het volgende woord in een zin kan zijn nadat het miljoenen en miljoenen zinnen heeft geanalyseerd. Zo kan het een nieuw verhaal of songteksten schrijven.

Voor een LTM kan dat betekenen dat het de volgende betalingstransactie van iemand voorspelt nadat het miljarden eerdere transacties heeft geanalyseerd. Op die manier kan het modellen voor fraudepreventie helpen bepalen welke transacties waarschijnlijk legitiem zijn en welke mogelijk frauduleus zijn.

Hoewel LLM's minder sterk zijn in gestructureerde data, blinken LTM's juist uit in het verwerken en analyseren van dit soort informatie. Omdat LTM's en LLM's van verschillende soorten data leren, vervangt de ene de andere niet. Ze doen namelijk verschillende dingen en kunnen elkaar aanvullen. 

LTM's kunnen worden gebruikt om verschillende datasets en gestructureerde gegevens te analyseren, zodat gebruikers nieuwe Verbanden kunnen vinden en nieuwe inzichten kunnen opdoen in grote en uiteenlopende tabellen met vele rijen gegevens.

In financiële diensten en betalingen kan een LTM helpen om verdachte activiteit eerder en nauwkeuriger op te sporen door patronen te leren uit grote hoeveelheden transactiegegevens. Het kan typische uitgavenpatronen herkennen en snel identificeren wanneer iets plotseling niet in dat patroon past. Omdat een LTM leert hoe normgedrag eruitziet in tal van situaties, kan het fraudesystemen ook helpen te voorkomen dat legitieme aankopen ten onrechte als fraude worden gemarkeerd. Zo wordt het aantal onnodige weigeringen van kaarten verminderd, terwijl er toch naar reële risico's wordt gezocht.

Mastercard is begonnen met de ontwikkeling van eigen LTM's, die zijn getraind op miljarden geanonimiseerde transacties, om precies dit soort scenario's en toepassingen te onderzoeken. We denken dat onze LTM's kunnen worden ingezet voor cybersecurity, loyaliteits- en beloningsprogramma's, personalisatiemodellen, portefeuilleoptimalisatie en tools voor data-analyse. Omdat een LTM bovendien flexibeler is dan bestaande traditionele AI-systemen voor machine learning, kunnen we mogelijk een handvol LTM's gebruiken in plaats van vandaag duizenden meer traditionele machinelearningmodellen te bouwen en te onderhouden.

Naast betalingen en financiële diensten kunnen LTM's worden gebruikt voor elke sector die grote hoeveelheden gestructureerde gegevens beheert — van farmaceutica tot energie, en van transport tot logistiek — zodat organisaties nieuwe inzichten in hun gegevens kunnen ontdekken.

Op basis van openbaar beschikbare informatie op de publicatiedatum van dit artikel lijkt het erop dat er vandaag de dag maar weinig — als er al zijn — LTM's in productie zijn. Veel bedrijven hebben tot nu toe echter positieve resultaten aangekondigd van hun onderzoek naar en ontwikkeling van eigen LTM's, en velen lijken naar productie toe te werken. Er verschijnt elke dag nieuws over generatieve AI-mogelijkheden, dus snelle veranderingen en nieuwe ontdekkingen rond LTM's mogen worden verwacht.

Voorlopig lijkt het erop dat LTM's, in tegenstelling tot LLM's, vaker achter de schermen zullen opereren om fraudepreventiesystemen te versterken, grote datasets te analyseren en de datawetenschapsmogelijkheden binnen organisaties te versterken.

We weten nog niet hoe LTM's kunnen interageren met AI-agenten. Vandaag de dag worden LLM's gebruikt als basis voor allerlei soorten AI-agenten, zoals ChatGPT, maar vergelijkbare toepassingen liggen minder voor de hand voor LTM's, aangezien deze meer worden gebruikt om de operaties en systemen van organisaties te verbeteren en te stroomlijnen. We kunnen ons echter een toekomst voorstellen waarin een agent kan samenwerken met een LTM om reële problemen op te lossen, op een vergelijkbare manier als dat tegenwoordig met LLM's gebeurt.

Zo kan een agent op een dag de analyse van een LTM gebruiken om gepersonaliseerde aanbevelingen aan te sturen voor iemand die shopt via een gen-AI-chatbot. Op deze manier kunnen LTM's op termijn worden ingezet om agentic commerce aan te sturen, een nieuwe en opkomende vorm van retail waarbij dergelijke agents worden gebruikt om te shoppen, te ontdekken en te kopen.