Modelele tabulare de mari dimensiuni explicate: înțelegerea unei noi forme de IA generativă

Un model tabular mare este un tip de sistem de IA generativă care poate analiza tabele de mare amploare și alte tipuri de seturi de date organizate, cum ar fi miliarde de tranzacții de plăți stocate ordonat în rânduri și coloane fixe. Acesta poate căuta modele și poate face predicții utilizând aceste seturi de date. În acest fel, poate contribui la identificarea tendințelor și a comportamentelor care ar fi greu de descoperit de către oameni sau de alte tipuri de software. 

Modelele lingvistice de mari dimensiuni, care alimentează ChatGPT de la OpenAI și Gemini de la Google, sunt antrenate pe text, imagini și videoclipuri, cunoscute și sub denumirea de date nestructurate. Acestea sunt deosebit de bune la crearea de tipuri similare de conținut, cum ar fi povestiri scurte sau imagini, și pot fi folosite și pentru a dezvolta cod software.

Un LTM este antrenat pe date structurate, cum ar fi rândurile și coloanele înregistrărilor de tranzacții. LTM-urile sunt bune la găsirea modelelor, la prezicerea comportamentelor și la îmbunătățirea potențială a sistemelor în culise.

Ambele tipuri de modele de inteligență artificială generativă sunt antrenate utilizând volume uriașe de date — fie că este vorba despre text scris pentru LLM-uri sau seturi de date organizate pentru LTM-uri. Ambele tipuri de modele pot folosi apoi acest antrenament pentru a analiza și a prezice.

Pentru un LLM, acest lucru poate însemna prezicerea următorului cuvânt dintr-o propoziție după ce a analizat milioane și milioane de propoziții. Astfel reușește să scrie o poveste nouă sau versuri de cântec.

Pentru un LTM, acest lucru poate însemna prezicerea următoarei tranzacții de plată a unei persoane după ce a analizat miliarde de tranzacții anterioare. În acest fel, poate oferi informații modelelor de prevenire a fraudelor cu privire la ce ar putea fi o tranzacție legitimă și ce ar putea constitui o fraudă.

Deși LLM-urile nu sunt la fel de puternice în cazul datelor structurate, LTM-urile tind să exceleze în procesarea și analizarea acestui tip de informații. Deoarece LTM-urile și LLM-urile învață din diferite tipuri de date, unul nu îl înlocuiește pe celălalt. Mai degrabă, ele fac lucruri diferite și se pot completa reciproc. 

LTM-urile pot fi utilizate pentru a analiza diferite seturi de date și date structurate, permițând utilizatorilor să găsească noi conexiuni și să obțină noi perspective în tabele mari și eterogene cu multe rânduri de date.

În serviciile financiare și plăți, un LTM ar putea ajuta la depistarea activităților suspecte mai devreme și cu mai multă acuratețe, învățând tipare din volume mari de date privind tranzacțiile. Acesta ar putea recunoaște tiparele tipice de cheltuieli și ar putea identifica rapid atunci când ceva nu se mai potrivește brusc cu acel tipar. Deoarece un LTM învață cum arată comportamentul normal în numeroase situații, acesta poate ajuta sistemele de fraudă să evite, de asemenea, etichetarea achizițiilor legitime drept fraudă, reducând refuzurile inutile de card și căutând în continuare riscurile reale.

Mastercard a început să își dezvolte propriile LTM-uri, antrenate pe miliarde de tranzacții anonimizate, pentru a investiga exact acest tip de scenarii și utilizări. Considerăm că LTM-urile noastre ar putea fi utilizate pentru securitate cibernetică, programe de loialitate și recompense, modele de personalizare, optimizarea portofoliului și instrumente de analiză a datelor. În plus, deoarece un LTM este mai flexibil decât sistemele tradiționale existente de inteligență artificială bazate pe învățare automată, este posibil să putem utiliza un număr restrâns de LTM-uri în loc să construim și să menținem mii de modele tradiționale de învățare automată în prezent.

Pe lângă plăți și servicii financiare, LTM-urile ar putea fi utilizate pentru orice industrie care gestionează cantități mari de date structurate – de la produse farmaceutice la energie, transport și logistică –, astfel încât organizațiile să poată identifica noi perspective în datele lor.

Pe baza informațiilor disponibile public începând cu data publicării acestui articol, se pare că există puține modele LTM — dacă chiar există vreunul — aflate în producție în prezent. Cu toate acestea, multe companii au anunțat până acum rezultate pozitive din cercetarea și dezvoltarea propriilor LTM-uri, iar multe par să lucreze în vederea producției. În fiecare zi apar știri despre capabilitățile de inteligență artificială generativă, așa că trebuie să ne așteptăm la schimbări rapide și noi descoperiri care implică LTM-uri.

Deocamdată, se pare că,Spre deosebire de LLM-uri, LTM-urile sunt mai susceptibile să funcționeze în culise, consolidând sistemele de prevenire a fraudelor, analizând seturi mari de date și îmbunătățind capabilitățile de știință a datelor din cadrul organizațiilor.

Încă nu știm cum ar putea interacționa LTM-urile cu agenții de IA. În prezent, modelele lingvistice mari sunt utilizate ca bază pentru a alimenta multe tipuri de agenți de IA, cum ar fi ChatGPT, însă aceleași tipuri de cazuri de utilizare nu sunt la fel de evidente pentru LTM-uri, deoarece acestea sunt folosite mai degrabă pentru a îmbunătăți și a eficientiza operațiunile și sistemele organizațiilor. Cu toate acestea, ne putem imagina un viitor în care un agent ar putea lucra cu un LTM pentru a rezolva probleme din lumea reală într-un mod similar cu cel utilizat astăzi în cazul modelelor lingvistice mari.

De exemplu, un agent ar putea folosi la un moment dat analiza dintr-un LTM pentru a genera recomandări personalizate pentru cineva care face cumpărături printr-un chatbot cu IA generativă. În acest fel, LTM-urile ar putea fi utilizate în cele din urmă pentru a contribui la facilitarea comerțului cu agenți, o formă nouă și în curs de dezvoltare de comerț cu amănuntul care utilizează acești agenți pentru cumpărături, descoperire și achiziții.