Εξήγηση των μεγάλων μοντέλων tabular: Κατανόηση μιας νέας μορφής gen AI

Ένα μεγάλο μοντέλο πινάκων είναι ένας τύπος συστήματος gen-AI που μπορεί να αναλύει πίνακες μεγάλης κλίμακας και άλλους τύπους οργανωμένων συνόλων δεδομένων, όπως δισεκατομμύρια συναλλαγές πληρωμών που είναι αποθηκευμένες τακτικά σε καθορισμένες σειρές και στήλες. Μπορεί να αναζητήσει μοτίβα και να κάνει προβλέψεις χρησιμοποιώντας αυτά τα σύνολα δεδομένων. Με αυτόν τον τρόπο, μπορεί να βοηθήσει στον εντοπισμό τάσεων και συμπεριφορών που θα ήταν δύσκολο για τους ανθρώπους ή άλλους τύπους λογισμικού να ανακαλύψουν. 

Τα μεγάλα γλωσσικά μοντέλα, τα οποία τροφοδοτούν το ChatGPT του OpenAI και το Gemini της Google, εκπαιδεύονται σε κείμενο, εικόνες και βίντεο, γνωστά και ως μη δομημένα δεδομένα. Είναι ιδιαίτερα καλά στη δημιουργία παρόμοιων τύπων περιεχομένου, όπως μικρές ιστορίες ή εικόνες, και μπορούν επίσης να χρησιμοποιηθούν για την ανάπτυξη κώδικα λογισμικού.

Ένα LTM εκπαιδεύεται σε δομημένα δεδομένα, όπως οι γραμμές και οι στήλες των αρχείων συναλλαγών. Τα LTM είναι αποτελεσματικά στον εντοπισμό μοτίβων, στην πρόβλεψη συμπεριφορών και, ενδεχομένως, στη βελτίωση συστημάτων στα παρασκήνια.

Και οι δύο τύποι μοντέλων γενετικής ΤΝ εκπαιδεύονται χρησιμοποιώντας τεράστιους όγκους δεδομένων — είτε πρόκειται για γραπτό κείμενο για τα LLM είτε για οργανωμένα σύνολα δεδομένων για τα LTM. Και οι δύο τύποι μοντέλων μπορούν στη συνέχεια να χρησιμοποιήσουν αυτή την εκπαίδευση για ανάλυση και πρόβλεψη.

Για ένα LLM, αυτό μπορεί να σημαίνει την πρόβλεψη του ποια μπορεί να είναι η επόμενη λέξη σε μια πρόταση, αφού έχει αναλύσει εκατομμύρια και εκατομμύρια προτάσεις. Έτσι μπορεί να γράψει μια νέα ιστορία ή στίχους τραγουδιού.

Για ένα LTM, αυτό μπορεί να σημαίνει την πρόβλεψη της επόμενης συναλλαγής πληρωμής ενός ατόμου αφού έχει αναλύσει δισεκατομμύρια προηγούμενες συναλλαγές. Με αυτόν τον τρόπο, μπορεί να ενημερώνει τα μοντέλα πρόληψης απάτης σχετικά με το τι είναι πιθανό να αποτελεί νόμιμη συναλλαγή και τι μπορεί να είναι απάτη.

Ενώ τα LLM δεν τα πάνε εξίσου καλά με τα δομημένα δεδομένα, τα LTM τείνουν να υπερέχουν στην επεξεργασία και την ανάλυση αυτού του είδους πληροφοριών. Επειδή τα LTM και τα LLM μαθαίνουν από διαφορετικούς τύπους δεδομένων, το ένα δεν αντικαθιστά το άλλο. Αντίθετα, κάνουν διαφορετικά πράγματα και μπορούν να συμπληρώνουν το ένα το άλλο. 

Τα LTM μπορούν να χρησιμοποιηθούν για την ανάλυση διαφορετικών συνόλων δεδομένων και δομημένων δεδομένων, επιτρέποντας στους χρήστες να βρίσκουν νέες συνδέσεις και να αποκτούν νέες πληροφορίες σε μεγάλους και ετεerogenείς πίνακες με πολλές γραμμές δεδομένων.

Στις χρηματοπιστωτικές υπηρεσίες και τις πληρωμές, ένα LTM θα μπορούσε να συμβάλει στον εντοπισμό ύποπτης δραστηριότητας νωρίτερα και με μεγαλύτερη ακρίβεια, μαθαίνοντας πρότυπα από μεγάλες ποσότητες δεδομένων συναλλαγών. Θα μπορούσε να αναγνωρίσει τυπικές συνήθειες δαπανών και να εντοπίσει γρήγορα πότε κάτι ξαφνικά δεν ταιριάζει σε αυτό το πρότυπο. Επειδή ένα LTM μαθαίνει πώς μοιάζει η κανονική συμπεριφορά σε πολλές καταστάσεις, μπορεί επίσης να βοηθήσει τα συστήματα απάτης να αποφεύγουν τον χαρακτηρισμό νόμιμων αγορών ως απάτης, μειώνοντας τις περιττές απορρίψεις καρτών, ενώ εξακολουθεί να αναζητά πραγματικούς κινδύνους.

Η Mastercard άρχισε να αναπτύσσει τα δικά της LTM, εκπαιδευμένα σε δισεκατομμύρια ανώνυμες συναλλαγές, για να διερευνήσει ακριβώς αυτούς τους τύπους σεναρίων και χρήσεων. Πιστεύουμε ότι τα LTM μας θα μπορούσαν να χρησιμοποιηθούν για κυβερνοασφάλεια, προγράμματα επιβράβευσης και αφοσίωσης, μοντέλα εξατομίκευσης, βελτιστοποίηση χαρτοφυλακίου και εργαλεία ανάλυσης δεδομένων. Επιπλέον, επειδή ένα LTM είναι πιο ευέλικτο από τα υπάρχοντα παραδοσιακά συστήματα AI μηχανικής μάθησης, ενδέχεται να μπορούμε να χρησιμοποιήσουμε μια χούφτα LTM αντί να κατασκευάζουμε και να συντηρούμε χιλιάδες πιο παραδοσιακά μοντέλα μηχανικής μάθησης σήμερα.

Εκτός από τις πληρωμές και τις χρηματοοικονομικές υπηρεσίες, τα LTM θα μπορούσαν να χρησιμοποιηθούν σε οποιονδήποτε κλάδο διαχειρίζεται μεγάλες ποσότητες δομημένων δεδομένων — από τα φαρμακευτικά προϊόντα μέχρι την ενέργεια και από τις μεταφορές έως τα logistics — ώστε οι οργανισμοί να εντοπίζουν νέες πληροφορίες στα δεδομένα τους.

Με βάση τις δημόσια διαθέσιμες πληροφορίες κατά την ημερομηνία δημοσίευσης αυτού του άρθρου, φαίνεται ότι υπάρχουν λίγα —αν όχι καθόλου— LTM σε παραγωγική λειτουργία σήμερα. Ωστόσο, πολλές εταιρείες έχουν ανακοινώσει θετικά αποτελέσματα μέχρι στιγμής από την έρευνα και την ανάπτυξη των δικών τους LTM, και πολλές φαίνεται να εργάζονται προς την κατεύθυνση της παραγωγής. Νέα έρχονται στο φως καθημερινά σχετικά με τις δυνατότητες της παραγωγικής τεχνητής νοημοσύνης, επομένως πρέπει να αναμένονται ραγδαίες αλλαγές και νέες ανακαλύψεις που αφορούν τα LTM.

Προς το παρόν φαίνεται ότι, σε αντίθεση με τα LLM, τα LTM είναι πιο πιθανό να λειτουργούν στο παρασκήνio, ενισχύοντας τα συστήματα πρόληψης της απάτης, αναλύοντας μεγάλα σύνολα δεδομένων και ενισχύοντας τις δυνατότητες επιστήμης δεδομένων εντός των οργανισμών.

We don’t yet know how LTMs could interact with AI agents. Today, LLMs are used as the foundation to power many kinds of AI agents, like ChatGPT, but the same kind of use cases aren’t as obvious for LTMs since they are being used more to improve and streamline organizations’ operations and systems. However, we can imagine a future in which an agent could work with an LTM to solve real-world problems in a similar fashion to how that’s done today with LLMs.

For example, an agent could someday use the analysis from an LTM to power personalized recommendations for someone shopping through a gen-AI chatbot. In this way, LTMs could eventually be used to help power agentic commerce, a new and developing form of retail using these agents to shop, discover and buy.