הסבר על מודלים טבלאיים גדולים: הבנה של צורה חדשה של בינה מלאכותית גנרטיבית

מודל טבלאות גדול הוא סוג של מערכת בינה מלאכותית יוצרת (gen-AI) שיכולה לנתח טבלאות רחבות היקף וסוגים אחרים של מערכי נתונים מאורגנים, כגון מיליארדי עסקאות תשלום המאוחסנות בצורה מסודרת בשורות ובעמודות קבועות. הוא יכול לחפש דפוסים ולבצע תחזיות באמצעות מערכי נתונים אלה. בדרך זו, הוא יכול לסייע בזיהוי מגמות והתנהגויות שהיה קשה לבני אדם, או לסוגים אחרים של תוכנות, לגלות. 

מודלי שפה גדולים, המניעים את ChatGPT של OpenAI ואת Gemini של Google, מאומנים על טקסט, תמונות וסרטונים, הידועים גם כנתונים בלתי ממונים. הם טובים במיוחד ביצירת סוגים דומים של תוכן, כגון סיפורים קצרים או תמונות, וניתן להשתמש בהם גם לפיתוח קוד תוכנה.

מודל LTM מאומן על נתונים ממונים, כמו השורות והעמודות של רשומות עסקאות. מודלי LTM מצטיינים באיתור דפוסים, בחיזוי התנהגויות ובשיפור פוטנציאלי של מערכות מאوال הקלעים.

שני סוגי המודלים של בינה מלאכותית גנרטיבית מאומנים באמצעות נפחי נתונים עצומים – בין אם מדובר בטקסט כתוב עבור מודלי LLM ובין אם במערכי נתונים מאורגנים עבור מודלי LTM. שני סוגי המודלים יכולים לאחר מכן להשתמש באימון זה כדי לנתח ולחזות.

עבור מודל LLM, משמע הדבר עשויה להיות חיזוי המילה הבאה במשפט לאחר ניתוח של מיליוני משפטים. כך הוא מסוגל לכתוב סיפור חדש או מילות שיר.

עבור מודל LTM, משמע הדבר עשויה להיות חיזוי עסקת התשלום הבאה של אדם מסוים לאחר ניתוח של מיליארדי עסקאות קודמות. בדרך זו, הוא יכול לספק מידע למודלים למניעת הונאות לגבי מה עשויה להיות עסקה לגיטימית ומה עשוי להיות הונאה.

בעוד ש-LLM אינם חזקים באותה מידה בנתונים מובנים, LTM נוטים להצטיין בעיבוד וניתוח של סוג מידע זה. מכיוון ש-LTM ו-LLM לומדים מסוגים שונים של נתונים, האחד אינו מחליף את השני. במקום זאת, הם עושים דברים שונים ויכולים להשלים זה את זה. 

מודלי LTM יכולים לשמש לניתוח מערכי נתונים שונים ונתונים מובנים, מה שמאפשר למשתמשים למצוא חיבורים חדשים ולהפיק תובנות חדשות בתוך טבלאות גדולות ומגוונות הכוללות שורות נתונים רבות.

בשרותי פיнанסים ותשלומים, מודל שפה גדול (LTM) יכול לסייע באיתור פעילות חשודה בשלב מוקדם יותר ובדיוק רב יותר על ידי למידת דפוסים מתוך נפחים עצומים של נתוני עסקאות. הוא עשוי לזהות דפוסי הוצאות טיפוסיים ולזהות במהירות מתי משהו לפתע אינו תואם דפוס זה. מכיוון שמודל שפה גדול (LTM) לומד כיצד נראית התנהגות רגילה במצבים רבים, הוא יכול לסייע למערכות הונאה להימנע מסימון רכישות לגיטימיות כהונאות, ובכך להפחית דחיות כרטיסים מיותרות תוך המשך חיפוש אחר סיכונים אמיתיים.

חברת Mastercard החלה לפתח מודלי שפה רחבים (LTM) משלה, שאומנו על גבי מיליארדי עסקאות אנונימיות, כדי לבחון בדיוק סוגים אלה של תרחישים ושימושים. אנו מאמינים שניתן להשתמש במודלי ה-LTM שלנו עבור אבטחת סייבר, תוכניות נאמנות ותגמולים, מודלים של התאמה אישית, אופטימיזציה של תיק הלקוחות ו- כלים לניתוח נתונים. בנוסף, מאחר שמודל שפה רחב (LTM) גמיש יותר ממערכות בינה מלאכותית של למידת מכונה מסורתיות קיימות, ייתכן שנוכל להשתמש במספר מצומצם של מודלי LTM במקום לבנות ולתחזק אלפי מודלים מסורתיים יותר של למידת מכונה כיום.

בנוסף לתשלומים ולשירותים פיננסיים, ניתן להשתמש ב-LTM עבור כל תעשייה המנהלת כמידע מובנה רב — מתרופות ועד אנרגיה, תחבורה ולוגיסטיקה — כדי שארגונים יוכלו לזהות תובנות חדשות בנתונים שלהם.

על סמך מידע הנגיש לציבור נכון לתאריך פרסום מאמר זה, נראה כי ישנם מעט מאוד — אם בכלל — יישומי LTM בפרודקשן כיום. עם זאת, חברות רבות הודיעו עד כה על תוצאות חיוביות ממחקר ופיתוח של מודלי LTM משל עצמן, ונראה שרבות מהן פועלות לקראת מעבר לייצור. מדי יום מתפרסמות חדשות על יכולות בינה מלאכותית גנרטיבית, לכן יש לצפות לשינויים מהירים ולגילויים חדשים הכוללים מודלי LTM.

לעגע נראה כי בניגוד ל-LLM, מערכות LTM נוטות יותר לפעול מאחורי הקלעים, לחזק מערכות למניעת הונאות, לנתח מערכי נתונים גדולים ולחזק את יכולות מדעי הנתונים בתוך ארגונים.

עדיין איננו יודעים כיצד מודלי LTM עשויים ליצור אינטראקציה עם סוכני AI. כיום, מודלי LLM משמשים בסיס להפעלת סוגים רבים של סוכני AI, כגון ChatGPT, אך סוגים דומים של תרחישי שימוש אינם מובנים מאליהם עבור מודלי LTM, שכן נעשה בהם שימוש רב יותר לשיפור ולייעול התפעול והמערכות של ארגונים. עם זאת, אנו יכולים לדמיין עתיד שבו סוכן יכול לעבוד עם מודל LTM כדי לפתור בעיות בעולם האמיתי בצורה דומה לזו שבה הדבר נעשה כיום עם מודלי LLM.

לדוגמה, סוכן יוכל להשתמש בעתיד בניתוח מודל טבלאי גדול (LTM) כדי להפעיל המלצות מותאמות אישית עבור אדם הקונה דרך צ'אטבוט מבוסס בינה מלאכותית יוצרת. בדרך זו, ניתן יהיה להשתמש בעתיד במודלים טבלאיים גדולים (LTMs) כדי לסייע בהנעת מסחר באמצעות סוכני AI (Agentic Commerce), צורה חדשה ומתפתחת של קמעונאות המשתמשת בסוכנים אלה כדי לקנות, לגלות ולרכוש.