Grote tabellenmodellen uitgelegd: inzicht in een nieuwe vorm van gen AI

Een groot tabellair model is een type generatieve AI-systeem dat grootschalige tabellen en andere soorten georganiseerde datasets kan analyseren, zoals miljarden betalingstransacties die netjes zijn opgeslagen in vaste rijen en kolommen. Het kan zoeken naar patronen en voorspellingen doen met behulp van deze datasets. Op deze manier kan het helpen bij het opsporen van trends en gedragingen die moeilijk te ontdekken zouden zijn voor mensen of andere soorten software. 

Grote taalmodellen, die ten grondslag liggen aan OpenAI's ChatGPT en Google's Gemini, zijn getraind op tekst, afbeeldingen en video's, ook wel ongestructureerde data genoemd. Ze zijn met name goed in het creëren van soortgelijke typen inhoud, zoals korte verhalen of afbeeldingen, en kunnen ook worden gebruikt om softwarecode te ontwikkelen.

Een LTM is getraind op gestructureerde data, zoals de rijen en kolommen van transactierecords. LTM's zijn goed in het vinden van patronen, het voorspellen van gedrag en het eventueel verbeteren van systemen achter de schermen.

Beide typen generatieve AI-modellen zijn getraind op basis van enorme hoeveelheden data — of dat nu geschreven tekst is voor LLM's of georganiseerde datasets voor LTM's. Beide typen modellen kunnen deze training vervolgens gebruiken om te analyseren en te voorspellen.

Voor een LLM kan dat betekeningen dat het voorspelt wat het volgende woord in een zin kan zijn nadat het miljoenen en miljoenen zinnen heeft geanalyseerd. Zo is het in staat om een nieuw verhaal of songteksten te schrijven.

Voor een LTM kan dat betekenen dat iemands volgende betalingstransactie wordt voorspeld nadat miljarden eerdere transacties zijn geanalyseerd. Op die manier kan het fraudepreventiemodellen informeren over wat waarschijnlijk een legitieme transactie is en wat mogelijk fraude is.

Terwijl LLM's minder sterk zijn in gestructureerde gegevens, blinken LTM's juist uit in het verwerken en analyseren van dit soort informatie. Omdat LTM's en LLM's van verschillende soorten gegevens leren, vervangt de ene de andere niet. Ze doen eerder verschillende dingen en kunnen elkaar aanvullen. 

LTM's kunnen worden gebruikt om verschillende datasets en gestructureerde data te analyseren, zodat gebruikers nieuwe verbindingen kunnen vinden en nieuwe inzichten kunnen verkrijgen in grote en uiteenlopende tabellen met veel rijen data.

In financiële diensten en betalingen kan een LTM helpen om verdachte activiteiten sneller en nauwkeuriger te ontdekken door patronen te leren van grote hoeveelheden transactiegegevens. Het kan typische uitgavenpatronen herkennen en snel identificeren wanneer iets ineens niet meer in dat patroon past. Omdat een LTM leert hoe normaal gedrag er in allerlei situaties uitziet, kan het fraudesystemen ook helpen voorkomen dat legitieme aankopen ten onrechte als fraude worden aangemerkt. Hierdoor wordt het aantal onnodige weigeringen van kaarten verminderd, terwijl er wel op reële risico's wordt gelet.

Mastercard is begonnen met de ontwikkeling van eigen LTM's, getraind op miljarden anonieme transacties, om precies dit soort scenario's en toepassingen te onderzoeken. Wij geloven dat onze LTM's kunnen worden gebruikt voor cybersecurity, loyalty and rewards-programma's, personalisatiemodellen, portfolio-optimalisatie en data-analyticstools. Daarnaast, omdat een LTM flexibeler is dan bestaande traditionele machinelearning-AI-systemen, kunnen we mogelijk een handvol LTM's gebruiken in plaats van nu duizenden traditionelere machinelearningmodellen te bouwen en te onderhouden.

Naast betalingen en financiële diensten kunnen LTM's worden gebruikt voor elke sector die grote hoeveelheden gestructureerde gegevens beheert – van farmaceutica tot energie en van transport tot logistiek – zodat organisaties nieuwe inzichten in hun gegevens kunnen ontdekken.

Op basis van openbaar beschikbare informatie per de publicatiedatum van dit artikel lijkt het erop dat er vandaag de dag maar weinig — of zelfs geen — LTM's in productie zijn. Veel bedrijven hebben tot nu toe echter positieve resultaten aangekondigd van hun onderzoek naar en ontwikkeling van eigen LTM's, en velen lijken toe te werken naar productie. Elke dag verschijnt er nieuws over de mogelijkheden van generatieve AI, dus snelle veranderingen en nieuwe ontdekkingen met betrekking tot LTM's mogen worden verwacht.

Voorlopig lijkt het erop dat LTM's, in tegenstelling tot LLM's, vaker achter de schermen zullen opereren om fraudepreventiesystemen te versterken, grote datasets te analyseren en datascience-mogelijkheden binnen organisaties te versterken.

We weten nog niet hoe LTM's zouden kunnen interacteren met AI agents. Vandaag de dag worden LLM's gebruikt als basis om vele soorten AI agents aan te sturen, zoals ChatGPT, maar dezelfde soort use cases liggen minder voor de hand voor LTM's, aangezien deze meer worden gebruikt om de operaties en systemen van organisaties te verbeteren en te stroomlijnen. We kunnen ons echter een toekomst voorstellen waarin een agent met een LTM kan samenwerken om reële problemen op te lossen op een vergelijkbare manier als dat tegenwoordig met LLM's wordt gedaan.

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 deze zin kunnen LTM's uiteindelijk worden gebruikt om agentic commerce te helpen aandrijven, een nieuwe en zich ontwikkelende vorm van retail waarbij deze agents worden gebruikt om te winkelen, te ontdekken en te kopen.