Explicación de los modelos tabulares grandes: cómo entender una nueva forma de IA generativa

Un modelo tabular grande es un tipo de sistema de IA generativa que puede analizar tablas a gran escala y otros tipos de conjuntos de datos organizados, como miles de millones de transacciones de pagos almacenadas ordenadamente en filas y columnas fijas. Puede buscar patrones y hacer predicciones utilizando estos conjuntos de datos. De este modo, puede ayudar a detectar tendencias y comportamientos que a las personas, u otros tipos de software, les costaría descubrir. 

Los grandes modelos de lenguaje, que potencian ChatGPT de OpenAI y Gemini de Google, están entrenados con textos, imágenes y videos, también conocidos como datos no estructurados. Son especialmente buenos para crear tipos de contenido similares, como cuentos o imágenes, y también se pueden usar para desarrollar código de software.

Un LTM se entrena con datos estructurados, como las filas y columnas de los registros de transacciones. Los LTM son buenos para encontrar patrones, predecir comportamientos y, potencialmente, mejorar los sistemas tras bambalinas.

Ambos tipos de modelos de inteligencia artificial generativa se entrenan utilizando grandes volúmenes de datos, ya sea texto escrito para los LLM o conjuntos de datos organizados para los LTM. De este modo, ambos tipos de modelos pueden utilizar este entrenamiento para analizar y hacer predicciones.

Para un LLM, eso puede significar predecir cuál puede ser la siguiente palabra en una oración después de haber analizado millones y millones de oraciones. Así es como puede escribir una nueva historia o la letra de una canción.

Para un LTM, eso puede significar predecir la próxima transacción de pago de alguien después de haber analizado miles de millones de transacciones anteriores. De ese modo, puede informar a los modelos de prevención de fraude sobre lo que probablemente sea una transacción legítima y lo que podría ser un fraude.

Si bien los LLM no son tan sólidos con los datos estructurados, los LTM tienden a destacarse en el procesamiento y el análisis de este tipo de información. Debido a que los LTM y los LLM aprenden de diferentes tipos de datos, uno no reemplaza al otro. Más bien, hacen cosas diferentes y pueden complementarse entre sí. 

Los LTM se pueden usar para analizar diferentes conjuntos de datos y datos estructurados, lo que permite a los usuarios encontrar nuevas conexiones y obtener nuevos conocimientos en tablas grandes y dispersas con muchas filas de datos.

En los servicios financieros y los pagos, un LTM podría ayudar a detectar actividad sospechosa de manera más temprana y precisa mediante el aprendizaje de patrones a partir de grandes cantidades de datos de transacciones. Podrían reconocer patrones de gastos típicos e identificar rápidamente cuándo algo de repente no encaja en ese patrón. Debido a que un LTM aprende cómo es el comportamiento normal en muchas situaciones, puede ayudar a que los sistemas de fraude también eviten marcar las compras legítimas como fraude, lo que reduce los rechazos innecesarios de tarjetas sin dejar de buscar riesgos reales.

Mastercard comenzó a desarrollar sus propios LTM, entrenados con miles de millones de transacciones anonimizadas, para investigar exactamente este tipo de escenarios y usos. Creemos que nuestros LTM podrían usarse para ciberseguridad, programas de lealtad y recompensas, modelos de personalización, optimización de carteras y herramientas de análisis de datos. Además, debido a que un LTM es más flexible que los sistemas de IA de aprendizaje automático tradicionales existentes, es posible que podamos usar un puñado de LTM en lugar de construir y mantener miles de modelos de aprendizaje automático más tradicionales hoy en día.

Además de los pagos y los servicios financieros, los LTM podrían utilizarse en cualquier industria que gestione grandes cantidades de datos estructurados, desde la farmacéutica hasta la energética, pasando por el transporte y la logística, para que las organizaciones puedan identificar nuevos conocimientos en sus datos.

Según la información disponible públicamente a la fecha de publicación de este artículo, parece haber pocos LTM —si es que hay alguno— en producción hoy en día. Sin embargo, muchas empresas han anunciado hasta ahora resultados positivos en la investigación y el desarrollo de sus propios LTM, y muchas parecen estar trabajando hacia su producción. Todos los días surgen noticias sobre las capacidades de la IA generativa, por lo que cabe esperar cambios rápidos y nuevos descubrimientos relacionados con los LTM.

Por ahora, parece que, a diferencia de los LLM, es más probable que los LTM operen tras bambalinas, fortaleciendo los sistemas de prevención de fraude, analizando grandes conjuntos de datos y potenciando las capacidades de ciencia de datos dentro de las organizaciones.

Todavía no sabemos cómo los LTM podrían interactuar con los agentes de IA. Hoy en día, los LLM se utilizan como base para potenciar muchos tipos de agentes de IA, como ChatGPT, pero los casos de uso del mismo tipo no son tan evidentes en el caso de los LTM, ya que se usan más para mejorar y optimizar las operaciones y los sistemas de las organizaciones. Sin embargo, podemos imaginar un futuro en el que un agente pueda trabajar con un LTM para resolver problemas del mundo real de forma similar a como se hace hoy con los LLM.

Por ejemplo, algún día un agente podría utilizar el análisis de un LTM para potenciar recomendaciones personalizadas para alguien que compre a través de un chatbot de IA generativa. De este modo, los LTM podrían llegar a utilizarse para ayudar a impulsar el comercio agéntico, una forma de retail nueva y en desarrollo que utiliza estos agentes para comprar, descubrir y adquirir productos.