شرح نماذج الجداول الكبيرة: فهم شكل جديد من أشكال الذكاء الاصطناعي التوليدي

النموذج الجدولى الكبير هو نوع من نظام الذكاء الاصطناعي التوليدي القادر على تحليل الجداول واسعة النطاق وأنواع أخرى من مجموعات البيانات المنظمة، مثل مليارات معاملات الدفع المخزنة بانتظام في صفوف وأعمدة ثابتة. يمكنه البحث عن الأنماط وإجراء التنبؤات باستخدام مجموعات البيانات هذه. بهذه الطريقة، يمكن أن يساعد في رصد الاتجاهات والسلوكيات التي قد يكون من الصعب على الأشخاص، أو الأنواع الأخرى من البرمجيات، اكتشافها. 

تخضع النماذج اللغوية الكبيرة، التي تشغل ChatGPT من OpenAI و Gemini من Google، للتدريب على النصوص والصور وفيديوهات، والتي تُعرف أيضاً بالبيانات غير المهيكلة. تتمتع هذه النماذج ببراعة خاصة في إنشاء أنواع مشابهة من المحتوى، مثل القصص القصيرة أو الصور، ويمكن استخدامها أيضاً لتطوير أكواد البرمجيات.

يتم تدريب نموذج الذاكرة طويلة الأمد (LTM) على البيانات المهيكلة، مثل صفوف وأعمدة سجلات المعاملات. تتميز نماذج الذاكرة طويلة الأمد (LTM) ببراعتها في إيجاد الأنماط، والتنبؤ السلوكي، وتحسين الأنظمة الكامنة خلف الكواليس.

يتم تدريب كلا نوعي نماذج الذكاء الاصطناعي التوليدي باستخدام كميات هائلة من البيانات؛ وسواء كان ذلك في صورة نصوص مكتوبة لنماذج اللغة الكبيرة (LLMs) أو مجموعات بيانات منظمة لنماذج البيانات الكبيرة (LTMs). يمكن لكلا نوعي النماذج استخدام هذا التدريب للتحليل والتنبؤ.

وبالنسبة لنماذج اللغة الكبيرة (LLMs)، قد يعني ذلك التنبؤ بالكلمة التالية في الجملة بعد تحليل ملايين الجمل. بهذه الطريقة، يتمكن النموذج من كتابة قصة جديدة أو كلمات أغنية.

بالنسبة للنموذج الجدولى الكبير، يمكن أن يعني ذلك التنبؤ بمعاملة الدفع التالية لشخص ما بعد تحليل مليارات المعاملات السابقة. بهذه الطريقة، يمكنه تزويد نماذج الوقاية من الاحتيال بمعلومات حول ما يُرجح أن يكون معاملة مشروعة وما يمكن أن يكون احتيالاً.

على الرغم من أن نماذج اللغة الكبيرة (LLMs) ليست بقوة النماذج نفسها مع البيانات المهيكلة، إلا أن النماذج الجدولية الكبيرة (LTMs) تميل إلى التفوق في معالجة هذا النوع من المعلومات وتحليله. نظرًا لأن النماذج الجدولية الكبيرة (LTMs) ونماذج اللغة الكبيرة (LLMs) تتعلم من أنواع مختلفة من البيانات، فإن أحدها لا يحل محل الآخر. بل إنهما يؤديان وظائف مختلفة ويمكن أن يكمل أحدهما الآخر. 

يمكن استخدام نماذج الذاكرة طويلة الأمد (LTM) لتحليل مجموعات بيانات مختلفة والبيانات المهيكلة، مما يتيح للمستخدمين اكتشاف روابط جديدة واكتساب رؤى حديثة عبر الجداول الضخمة والمتباينة التي تضم العديد من صفوف البيانات.

في الخدمات المالية ومدفوعات الأموال، يمكن لنماذج LTM المساعدة في رصد النشاط المشبوه في وقت مبكر وبدقة أكبر من خلال تعلم الأنماط من كميات ضخمة من بيانات المعاملات. يمكنه التعرف على أنماط الإنفاق الاعتيادية وتحديد السرعة التي تشير إلى عدم توافق أي أمر فجأة مع ذلك النمط. ولأن نموذج LTM يتعرف على شكل السلوك الطبيعي عبر العديد من المواقف، فإنه يمكن أن يساعد أنظمة مكافحة الاحتيال أيضاً في تجنب تصنيف المشتريات المشروعة على أنها احتيال، مما يقلل من عمليات رفض البطاقات غير الضرورية مع الاستمرار في رصد المخاطر الحقيقية.

بدأت شركة Mastercard في تطوير نماذج بيانات كبيرة (LTMs) خاصة بها، والتي تم تدريبها على مليارات المعاملات مجهولة المصدر، للتحقيق في هذه الأنواع من السيناريوهات والاستخدامات بدقة. نحن نؤمن بأنه يمكن استخدام نماذج البيانات الكبيرة (LTMs) الخاصة بنا في الأمن السيبراني، وبرامج الولاء والمكافآت، ونماذج التخصيص، وتحسين المحافظ الاستثمارية ، و أدوات تحليلات البيانات. بالإضافة إلى ذلك، ونظرًا لأن نموذج البيانات الكبير (LTM) يُعد أكثر مرونة من أنظمة الذكاء الاصطناعي التقليدية القائمة على التعلم الآلي، فقد نتمكن من استخدام عدد محدود من نماذج البيانات الكبيرة (LTMs) بدلاً من بناء وصيانة الآلاف من نماذج التعلم الآلي التقليدية اليوم.

بالإضافة إلى المدفوعات والخدمات المالية، يمكن استخدام LTMs في أي قطاع يدير كميات كبيرة من البيانات المهيكلة – بدءًا من الأدوية وصولاً إلى الطاقة والنقل والخدمات اللوجستية – لتمكين المؤسسات من تحديد رؤى جديدة في بياناتها.

بناءً على المعلومات المتاحة للعموم اعتباراً من تاريخ نشر هذا المقال، يبدو أن هناك عدداً قليلًا للغاية -إن وجد- من نماذج الذاكرة طويلة الأمد (LTM) قيد الإنتاج حالياً. مع ذلك، أعلنت العديد من الشركات عن نتائج إيجابية حتى الآن من خلال أبحاثها وتطويرها لنماذج الذاكرة طويلة الأمد الخاصة بها، ويبدو أن العديد منها يعمل نحو مرحلة الإنتاج. تُصدر الأخبار يومياً حول قدرات الذكاء الاصطناعي التوليدي، لذا يُتوقع حدوث تغييرات سريعة واكتشافات جديدة تتعلق بنماذج الذاكرة طويلة الأمد (LTM).

يبدو في الوقت الحالي أنه على عكس نماذج اللغات الكبيرة (LLMs)، فإن نماذج LTMs تميل أكثر للعمل في الكواليس، مما يعزز أنظمة منع الاحتيال، ويحلل مجموعات البيانات الضخمة، ويدعم قدرات علم البيانات داخل المؤسسات.

لا نعلم حتى الآن كيف يمكن لنماذج الذاكرة طويلة الأمد (LTM) التفاعل مع وكلاء الذكاء الاصطناعي. اليوم، تُستخدم النماذج اللغوية الكبيرة (LLM) كأساس لتشغيل أنواع عديدة من وكلاء الذكاء الاصطناعي، مثل ChatGPT، لكن حالات الاستخدام المماثلة لا تبدو واضحة بالدرجة نفسها بالنسبة لنماذج الذاكرة طويلة الأمد (LTM) نظراً لاستخدامها بشكل أكبر في تحسين وتبسيط عمليات المؤسسات وأنظمتها. مع ذلك، يمكننا تخيل مستقبل يعمل فيه الوكلاء جنبًا إلى جنب مع نموذج الذاكرة طويلة الأمد (LTM) لحل مشكلات العالم الحقيقي بأسلوب مشابه لما يتم إنجازه اليوم باستخدام النماذج اللغوية الكبيرة (LLM).

على سبيل المثال، يمكن لوكيل ما في يوم ما استخدام التحليل المستمد من نموذج جداول بيانات كبير (LTM) لتوفير توصيات مخصصة لشخص يتسوق من خلال روبوت دردشة مدعوم بالذكاء الاصطناعي التوليدي. وبهذه الطريقة، يمكن في النهاية استخدام نماذج الجداول الكبيرة (LTMs) للمساعدة في تشغيل التجارة القائمة على الوكلاء، وهي شكل جديد وناشئ من تجارة التجزئة يستخدم هؤلاء الوكلاء للتسوق والاكتشاف والشراء.