Store tabellmodeller forklart: Forstå en ny form for generativ KI

En stor tabellmodell er en type generativt KI-system som kan analysere store tabeller og andre typer organiserte datasett, som milliarder av betalingstransaksjoner lagret pent i faste rader og kolonner. Den kan se etter mønstre og gjøre spådommer ved hjelp av disse datasettene. På denne måten kan den bidra til å oppdage trender og atferd som ville være vanskelig for mennesker, eller andre typer programvare, å avdekke. 

Store språkmodeller, som driver OpenAI’s ChatGPT og Google’s Gemini, er opplært på tekst, bilder og videoer, også kjent som ustrukturert data. De er spesielt gode til å skape lignende typer innhold, som noveller eller bilder, og kan også brukes til å utvikle programvarekode.

En LTM trenes opp på strukturerte data, som rader og kolonner i transaksjonsposter. LTM-er er gode til å finne mønstre, forutsi atferd og potensielt forbedre systemer i bakgrunnen.

Begge typer generativ KI-modeller trenes opp ved hjelp av enorme datamengder – enten det er skrevet tekst for LLM-er eller organiserte datasett for LTM-er. Begge typer modeller kan deretter bruke denne opplæringen til å analysere og predikere.

For en LLM kan det bety å forutsi hva det neste ordet i en setning kan være etter å ha analysert millioner på millioner av setninger. Det er slik den klarer å skrive en ny historie eller sangtekst.

For en LTM kan det bety å forutsi noens neste betalingstransaksjon etter å ha analysert milliarder av tidligere transaksjoner. Slik kan den informere modeller for svindelforebygging om hva som sannsynligvis er en legitim transaksjon, og hva som kan være svindel.

Selv om LLM-er ikke er like sterke på strukturert data, utmerker LTM-er seg med å behandle og analysere denne typen informasjon. Siden LTM-er og LLM-er lærer fra ulike typer data, erstatter ikke den ene den andre. De gjør heller forskjellige ting og kan utfylle hverandre. 

LTM-er kan brukes til å analysere forskjellige datasett og strukturert data, slik at brukere kan finne nye sammenhenger og få ny innsikt på tvers av store og uensartede tabeller med mange datarader.

Innen finansielle tjenester og betalinger kan en LTM bidra til å oppdage mistenkelig aktivitet tidligere og mer nøyaktig ved å lære seg mønstre fra store mengder transaksjonsdata. Den kan gjenkjenne typiske forbruksmønstre og raskt identifisere når noe plutselig ikke passer inn i det mønsteret. Fordi en LTM lærer seg hvordan normal atferd ser ut i en rekke situasjoner, kan den hjelpe svindelsystemer med å unngå å flagge legitime kjøp som svindel, noe som reduserer unødvendige kortavvisninger samtidig som den fortsatt ser etter reell risiko.

Mastercard begynte å utvikle sine egne LTM-er, trent på milliarder av anonymiserte transaksjoner, for å undersøke akkurat denne typen scenarier og bruksområder. Vi tror at våre LTM-er kan brukes til cybersikkerhet, lojalitets- og belønningsprogrammer, personlig tilpassede modeller, porteføljeoptimalisering og dataanalysetøy. Fordi en LTM er mer fleksibel enn eksisterende tradisjonelle maskinlærings-KI-systemer, kan vi i tillegg kanskje bruke en håndfull LTM-er i stedet for å bygge og vedlikeholde tusenvis av mer tradisjonelle maskinlæringsmodeller i dag.

I tillegg til betalinger og finansielle tjenester kan LTM-er brukes i alle bransjer som håndterer store mengder strukturert data – fra legemidler til energi, transport og logistikk – slik at organisasjoner kan avdekke ny innsikt i dataene sine.

Basert på offentlig tilgjengelig informasjon per publiseringsdatoen for denne artikkelen, ser det ut til at det finnes få – om noen – LTM-er i produksjon i dag. Mange selskaper har imidlertid kunngjort positive resultater så langt fra sin forskning og utvikling av egne LTM-er, og mange ser ut til å arbeide mot produksjon. Det kommer nyheter hver dag om generative KI-funksjoner, så raske endringer og nye oppdagelser som involverer LTM-er, må forventes.

Foreløpig ser det ut til at LTM-er, i motsetning til LLM-er, i større grad fungerer i kulissene ved å styrke systemer for svindelforebygging, analysere store datasett og styrke organisasjoners datavitenskapelige evner.

Vi vet ennå ikke hvordan LTM-er kan samhandle med KI-agenter. I dag brukes LLM-er som grunnlag for å drive mange typer KI-agenter, som ChatGPT, men de samme typene bruksområder er ikke like opplagt for LTM-er, siden de i større grad brukes til å forbedre og strømlinjeforme organisasjonenes operasjoner og systemer. Vi kan imidlertid forestille oss en fremtid der en agent kan arbeide med en LTM for å løse virkelige problemer på en måte som ligner på det som gjøres i dag med LLM-er.

En agent kan for eksempel en dag bruke analysen fra en LTM til å drive personlige anbefalinger for noen som handler gjennom en generativ KI-chatbot. På denne måten kan LTM-er til slutt bli brukt til å drive agentisk handel, en ny og voksende form for detaljhandel som bruker disse agentene til å handle, oppdage og kjøpe.