Wyjaśnienie dużej skali modeli tabularnych: Zrozumienie nowej formy generatywnej AI

Duży model tabelaryczny to rodzaj systemu sztucznej inteligencji generatywnej, który potrafi analizować tabele na dużą skalę oraz inne rodzaje uporządkowanych zestawów danych, takie jak miliardy transakcji płatniczych uporządkowanych w stałych wierszach i kolumnach. Może on wyszukiwać wzorce i tworzyć prognozy przy użyciu tych zestawów danych. W ten sposób może pomóc w dostrzeganiu trendów i zachowań, które ludzie lub inne rodzaje oprogramowania mogliby mieć trudności z odkryciem. 

Wielkie modele językowe, które napędzają ChatGPT OpenAI oraz Gemini Google, są trenowane na tekście, obrazach i wideo, zwanych także danymi nieustrukturyzowanymi. Radzą sobie szczególnie dobrze z tworzeniem podobnych rodzajów treści, takich jak opowiadania czy obrazy, i mogą być również wykorzystywane do tworzenia kodu oprogramowania.

Model LTM jest trenowany na danych ustrukturyzowanych, takich jak wiersze i kolumny rekordów transakcji. Modele LTM dobrze radzą sobie z wyszukiwaniem wzorców, przewidywaniem zachowań i potencjalnym ulepszaniem systemów działających w tle.

Oba typy modeli generatywnej sztucznej inteligencji są trenowane przy użyciu ogromnych ilości danych — niezależnie od tego, czy jest to tekst pisany w przypadku modeli LLM, czy uporządkowane zestawy danych w przypadku modeli LTM. Oba typy modeli mogą następnie wykorzystywać te dane treningowe do analizy i przewidywania.

W przypadku modelu LLM może to oznaczać przewidywanie, jakie będzie kolejne słowo w zdaniu po przeanalizowaniu milionów i milionów zdań. W ten sposób potrafi napisać nowe opowiadanie lub tekst piosenki.

W przypadku LTM może to oznaczać przewidywanie kolejnej transakcji płatniczej danej osoby po przeanalizowaniu miliardów wcześniejszych transakcji. W ten sposób może informować modele zapobiegania oszustwom, co jest prawdopodobnie legalną transakcją, a co może być oszustwem.

Podczas gdy modele LLM nie radzą sobie tak dobrze ze ustrukturyzowanymi danymi, modele LTM zazwyczaj doskonale radzą sobie z przetwarzaniem i analizowaniem tego rodzaju informacji. Ponieważ modele LTM i LLM uczą się na podstawie różnych typów danych, jeden nie zastępuje drugiego. Raczej robią one różne rzeczy i mogą się wzajemnie uzupełniać. 

Modele LTM mogą być używane do analizowania różnych zbiorów danych i danych ustrukturyzowanych, co pozwala użytkownikom znajdować nowe połączenia i uzyskiwać nowe informacje w dużych i rozproszonych tabelach z wieloma wierszami danych.

W usługach finansowych i płatnościach model LTM mógłby pomóc w szybszym i dokładniejszym wykrywaniu podejrzanej aktywności poprzez uczenie się wzorców na podstawie dużych ilości danych transakcyjnych. Mogłaby rozpoznać typowe wzorce wydatków i szybko zidentyfikować sytuację, w której coś nagle do tych wzorców nie pasuje. Ponieważ model LTM uczy się, jak wygląda normalne zachowanie w wielu sytuacjach, może pomóc systemom wykrywania oszustw w unikaniu oznaczania legalnych zakupów jako oszustw, co zmniejsza liczbę niepotrzebnych odrzuceń kart, jednocześnie nadal wyszukując realne ryzyko.

Mastercard rozpoczął tworzenie własnych modeli LTM przeszkolonych na miliardach zanonimizowanych transakcji w celu zbadania właśnie tego rodzaju scenariuszy i zastosowań. Wierzymy, że nasze modele LTM mogłyby być wykorzystywane do cyberbezpieczeństwa, programów lojalnościowych i nagród, modeli personalizacji, optymalizacji portfela oraz narzędzi do analizy danych. Ponadto, ponieważ model LTM jest bardziej elastyczny niż istniejące tradycyjne systemy sztucznej inteligencji oparte na uczeniu maszynowym, możemy być w stanie używać zaledwie kilku modeli LTM zamiast budować i utrzymywać tysiące tradycyjnych modeli uczenia maszynowego.

Oprócz płatności i usług finansowych modele LTM mogłyby znaleźć zastosowanie w każdej branży zarządzającej dużymi ilościami danych ustrukturyzowanych — od farmacji, przez energetykę, po transport i logistykę — umożliwiając organizacjom uzyskiwanie nowych wglądów w ich dane.

Opierając się na ogólnodostępnych informacjach z dnia publikacji tego artykułu, wydaje się, że obecnie w środowisku produkcyjnym funkcjonuje niewiele modeli LTM — o ile w ogóle jakiekolwiek. Wiele firm ogłosiło jednak jak dotąd pozytywne wyniki prac badawczo-rozwojowych nad własnymi modelami LTM, a wiele z nich wydaje się zmierzać w kierunku wdrożenia produkcyjnego. Codziennie pojawiają się wiadomości na temat możliwości generatywnej sztucznej inteligencji, dlatego należy spodziewać się gwałtownych zmian i nowych odkryć związanych z modelami LTM.

Na razie wydaje się, że w przeciwieństwie do LLM modele LTM częściej działają w tle, wzmacniając systemy zapobiegania oszustwom, analizując duże zestawy danych i wzmacniając potencjał w zakresie analizy danych w organizacjach.

Nie wiemy jeszcze, w jaki sposób modele LTM mogłyby współdziałać z agentami AI. Obecnie modele LLM stanowią podstawę do zasilania wielu rodzajów agentów AI, takich jak ChatGPT, jednak w przypadku modeli LTM podobne przypadki użycia nie są tak oczywiste, ponieważ są one wykorzystywane głównie do usprawniania i optymalizacji działalności oraz systemów organizacji. Możemy jednak wyobrazić sobie przyszłość, w której agent mógłby współpracować z modelem LTM w celu rozwiązywania problemów ze świata rzeczywistego w podobny sposób, w jaki odbywa się to dzisiaj za pomocą modeli LLM.

Na przykład agent mógłby kiedyś wykorzystać analizę z pamięci LTM do obsługi spersonalizowanych rekomendacji dla osoby robiącej zakupy za pośrednictwem chatbota opartego na generatywnej sztucznej inteligencji. W ten sposób pamięci LTM mogłyby w przyszłości posłużyć do wspierania handlu obsługiwanego przez agentów (agentic commerce) – nowej i rozwijającej się formy handlu detalicznego, w której agenci robią zakupy, wyszukują oferty i dokonują zakupów.