Explicação dos grandes modelos tabulares: compreender uma nova forma de IA gerativa

Um modelo tabular de grande dimensão é um tipo de sistema de IA generativa capaz de analisar tabelas em grande escala e outros tipos de conjuntos de dados organizados, tais como milhares de milhões de transações de pagamento armazenadas de forma organizada em linhas e colunas fixas. Pode procurar padrões e fazer previsões utilizando estes conjuntos de dados. Desta forma, pode ajudar a detetar tendências e comportamentos que seriam difíceis de descobrir por pessoas ou por outros tipos de software. 

Os modelos de linguagem de grande escala, que alimentam o ChatGPT da OpenAI e o Gemini da Google, são treinados com texto, imagens e vídeos, também conhecidos como dados não estruturados. São particularmente bons a criar tipos de conteúdos semelhantes, como curtas-metragens ou imagens, e também podem ser utilizados para desenvolver código de software.

Um LTM é treinado com dados estruturados, como as linhas e colunas de registos de transações. Os LTMs são bons a encontrar padrões, a prever comportamentos e, potencialmente, a melhorar sistemas em segundo plano.

Ambos os tipos de modelos de IA generativa são treinados utilizando enormes volumes de dados — quer se trate de texto escrito para LLMs ou de conjuntos de dados organizados para LTMs. Ambos os tipos de modelos podem depois utilizar este treino para analisar e prever.

Para um LLM, isso pode significar prever qual poderá ser a palavra seguinte numa frase após analisar milhões e milhões de frases. É assim que consegue escrever uma nova história ou letra de música.

Para um LTM, isso pode significar prever a próxima transação de pagamento de alguém após analisar milhares de milhões de transações anteriores. Dessa forma, pode informar os modelos de prevenção de fraude sobre o que provavelmente constitui uma transação legítima e o que poderá ser fraude.

Embora os LLM não sejam tão fortes com dados estruturados, os LTMs tendem a destacar-se no processamento e análise deste tipo de informação. Como os LTMs e os LLM aprendem com diferentes tipos de dados, um não substitui o outro. Em vez disso, fazem coisas diferentes e podem complementar-se. 

Os LTMs podem ser utilizados para analisar diferentes conjuntos de dados e dados estruturados, permitindo aos utilizadores encontrar novas ligações e obter novos insights em tabelas grandes e disparatadas com muitas linhas de dados.

Nos serviços financeiros e pagamentos, um LTM pode ajudar a detetar atividade suspeita mais cedo e com maior precisão, aprendendo padrões a partir de grandes quantidades de dados de transações. Poderia reconhecer padrões de gastos típicos e identificar rapidamente quando algo de repente não se enquadra nesse padrão. Como um LTM aprende qual é o aspeto do comportamento normal em muitas situações, também pode ajudar os sistemas de fraude a evitar sinalizar compras legítimas como fraude, reduzindo as recusas desnecessárias de cartões enquanto continua a procurar riscos reais.

A Mastercard começou a desenvolver os seus próprios LTMs, treinados com milhares de milhões de transações anonimizadas, para investigar exatamente este tipo de cenários e utilizações. Acreditamos que os nossos LTMs podem ser utilizados para cibersegurança, programas de fidelização e recompensas, modelos de personalização, otimização de portefólios e ferramentas de análise de dados. Além disso, como um LTM é mais flexível do que os sistemas de IA de machine learning tradicionais existentes, poderemos conseguir utilizar um punhado de LTMs em vez de construir e manter milhares de modelos de machine learning mais tradicionais atualmente.

Além dos pagamentos e serviços financeiros, os LTM podem ser utilizados em qualquer setor que gira grandes quantidades de dados estruturados — desde a farmacêutica à energia, passando pelos transportes e logística —, para que as organizações possam identificar novos conhecimentos nos seus dados.

Com base em informação publicamente disponível à data de publicação deste artigo, parece haver poucos — se é que há alguns — LTMs em produção atualmente. No entanto, muitas empresas anunciaram até agora resultados positivos da investigação e desenvolvimento dos seus próprios LTMs, e muitas parecem estar a trabalhar no sentido da produção. Todos os dias surgem notícias sobre capacidades de IA geradora, pelo que devem ser esperadas alterações rápidas e novas descobertas envolvendo LTMs.

Por enquanto, parece que, ao contrário dos LLM, os LTM são mais propensos a operar nos bastidores, fortalecendo os sistemas de prevenção de fraudes, analisando grandes conjuntos de dados e reforçando as capacidades de ciência de dados dentro das organizações.

Ainda não sabemos como os LTMs poderão interagir com agentes de IA. Atualmente, os LLM são utilizados como base para alimentar muitos tipos de agentes de IA, como o ChatGPT, mas o mesmo tipo de casos de utilização não é tão óbvio para os LTMs, uma vez que são mais utilizados para melhorar e otimizar as operações e sistemas das organizações. No entanto, conseguimos imaginar um futuro em que um agente possa trabalhar com um LTM para resolver problemas do mundo real de forma semelhante ao que é feito hoje com os LLM.

Por exemplo, um agente poderá um dia utilizar a análise de um LTM para potenciar recomendações personalizadas para alguém que esteja a fazer compras através de um chatbot de IA generativa. Desta forma, os LTMs poderiam eventualmente ser utilizados para ajudar a potenciar o comércio agente, uma forma nova e em desenvolvimento de retalho que utiliza estes agentes para fazer compras, descobrir e comprar.