Penjelasan Model Tabular Besar: Memahami Bentuk Baru AI Generatif

Model tabular besar adalah jenis sistem AI generatif yang dapat menganalisis tabel berskala besar dan jenis kumpulan data terorganisir lainnya, seperti miliaran transaksi pembayaran yang tersimpan rapi dalam baris dan kolom tetap. Sistem ini dapat mencari pola dan membuat prediksi menggunakan kumpulan data tersebut. Dengan cara ini, sistem ini dapat membantu mendeteksi tren dan perilaku yang akan sulit ditemukan oleh manusia atau jenis perangkat lunak lainnya. 

Model bahasa besar (large language model), yang mendukung ChatGPT dari OpenAI dan Gemini dari Google, dilatih menggunakan teks, gambar, dan video, yang juga dikenal sebagai data tidak terstruktur. Model ini sangat handal dalam membuat jenis konten serupa, seperti cerita pendek atau gambar, dan juga dapat digunakan untuk mengembangkan kode perangkat lunak.

LTM dilatih pada data terstruktur, seperti baris dan kolom catatan transaksi. LTM sangat baik dalam menemukan pola, memprediksi perilaku, dan berpotensi meningkatkan sistem di balik layar.

Kedua jenis model AI generatif tersebut dilatih menggunakan volume data yang sangat besar — baik berupa teks tertulis untuk LLM maupun kumpulan data terstruktur untuk LTM. Kedua jenis model tersebut kemudian dapat menggunakan pelatihan ini untuk menganalisis dan memprediksi.

Bagi LLM, itu bisa berarti memprediksi apa kata berikutnya dalam sebuah kalimat setelah LLM menganalisis jutaan demi jutaan kalimat. Begitulah cara model tersebut dapat menulis cerita baru atau lirik lagu.

Bagi LTM, hal itu dapat berarti memprediksi transaksi pembayaran seseorang berikutnya setelah menganalisis miliaran transaksi sebelumnya. Dengan begitu, LTM dapat menginformasikan model pencegahan penipuan mengenai transaksi yang kemungkinan sah dan transaksi yang mungkin merupakan penipuan.

Meskipun LLM tidak begitu kuat dengan data terstruktur, LTM cenderung unggul dalam memproses dan menganalisis jenis informasi ini. Karena LTM dan LLM mempelajari dari berbagai jenis data, yang satu tidak menggantikan yang lain. Melainkan, keduanya melakukan hal yang berbeda dan dapat saling melengkapi. 

LTM dapat digunakan untuk menganalisis berbagai kumpulan data dan data terstruktur, memungkinkan pengguna menemukan koneksi baru serta memperoleh wawasan baru di seluruh tabel yang besar dan beragam dengan banyak baris data.

Dalam layanan keuangan dan pembayaran, LTM dapat membantu mendeteksi aktivitas mencurigakan lebih awal dan lebih akurat dengan mempelajari pola dari data transaksi dalam jumlah besar. LTM dapat mengenali pola pengeluaran yang umum dan dengan cepat mengidentifikasi saat ada sesuatu yang tiba-tiba tidak sesuai dengan pola tersebut. Karena LTM mempelajari seperti apa perilaku normal di berbagai situasi, LTM dapat membantu sistem penipuan agar tidak menandai pembelian yang sah sebagai penipuan, sehingga mengurangi penolakan kartu yang tidak perlu sekaligus tetap mencari risiko nyata.

Mastercard mulai mengembangkan LTM miliknya sendiri, yang dilatih menggunakan miliaran transaksi anonim, untuk menyelidiki skenario dan penggunaan semacam itu secara tepat. Kami yakin LTM kami dapat digunakan untuk keamanan siber, program loyalitas dan penghargaan, model personalisasi, optimalisasi portofolio, dan alat analisis data. Selain itu, karena LTM lebih fleksibel daripada sistem AI pembelajaran mesin tradisional yang ada, kita mungkin dapat menggunakan beberapa LTM alih-alih membangun dan memelihara ribuan model pembelajaran mesin tradisional saat ini.

Selain pembayaran dan layanan keuangan, LTM dapat digunakan untuk industri apa pun yang mengelola data terstruktur dalam jumlah besar — mulai dari farmasi hingga energi, serta transportasi dan logistik — sehingga organisasi dapat mengidentifikasi wawasan baru dalam data mereka.

Berdasarkan informasi yang tersedia untuk umum pada tanggal publikasi artikel ini, tampaknya hanya ada sedikit — jika ada — LTM yang digunakan saat ini. Namun, sejauh ini banyak perusahaan telah mengumumkan hasil positif dari penelitian dan pengembangan LTM mereka sendiri, dan banyak yang tampaknya berupaya menuju tahap produksi. Berita tentang kapabilitas AI generatif bermunculan setiap hari, sehingga perubahan pesat dan penemuan baru yang melibatkan LTM patut diantisipasi.

Untuk saat ini tampaknya, tidak seperti LLM, LTM lebih cenderung beroperasi di balik layar, memperkuat sistem pencegahan penipuan, menganalisis kumpulan data besar, dan memperkuat kapabilitas ilmu data di dalam organisasi.

Kami belum tahu bagaimana LTM dapat berinteraksi dengan agen AI. Saat ini, LLM digunakan sebagai fondasi untuk mendukung berbagai jenis agen AI, seperti ChatGPT, tetapi jenis kasus penggunaan yang sama tidak begitu jelas untuk LTM karena LTM lebih banyak digunakan untuk meningkatkan dan merampingkan operasional serta sistem organisasi. Namun, kita dapat membayangkan masa depan ketika agen dapat bekerja dengan LTM untuk menyelesaikan masalah dunia nyata dengan cara yang mirip dengan apa yang dilakukan saat ini dengan LLM.

Misalnya, suatu agen suatu hari nanti dapat menggunakan analisis dari LTM untuk mendukung rekomendasi yang dipersonalisasi bagi seseorang yang berbelanja melalui chatbot AI generatif. Dengan cara ini, LTM pada akhirnya dapat digunakan untuk membantu mendukung perdagangan agentik (agentic commerce), bentuk ritel baru dan berkembang yang menggunakan agen-agen ini untuk berbelanja, menemukan, dan membeli.