Objašnjenje velikih tabelarnih modela: Razumevanje novog oblika generativne AI

Veliki tabelarni model je vrsta gen-AI sistema koji može da analizira tabele velikih razmera i druge vrste organizovanih skupova podataka, kao što su milijarde platnih transakcija uredno uskladištenih u fiksnim redovima i kolonama. On može da traži obrasce i pravi predviđanja koristeći ove skupove podataka. Na ovaj način može da pomogne u prepoznavanju trendova i ponašanja koje bi ljudima ili drugim vrstama softvera bilo teško da otkriju. 

Veliki jezički modeli, koji pokreću OpenAI’jev ChatGPT i Google’ov Gemini, obučeni su na tekstu, slikama i video-zapisima, što je poznato i kao nestrukturirani podaci. Posebno su dobri u kreiranju sličnih vrsta sadržaja, kao što su kratke priče ili slike, a mogu se koristiti i za razvoj softverskog koda.

Model LTM se obučava na strukturiranim podacima, kao što su redovi i kolone evidencija transakcija. Modeli LTM su dobri u pronalaženju obrazaca, predviđanju ponašanja i potencijalnom poboljšanju sistema iza scene.

Oba tipa generativnih AI modela obučavaju se korišćenjem ogromnih količina podataka — bilo da je reč o pisanom tekstu za LLM modele ili organizovanim skupovima podataka za LTM modele. Oba tipa modela potom mogu da koriste tu obuku za analizu i predviđanje.

Za jezički model velikih formata (LLM) to može značiti predviđanje koja bi mogla biti sledeća reč u rečenici nakon što je analizirao milione i milione rečenica. Zahvaljujući tome, on može da napiše novu priču ili stihove pesme.

Za LTM to može značiti predviđanje nečije sledeće platne transakcije nakon što je analizirao milijarde prethodnih transakcija. Na taj način on može da obavesti modele za sprečavanje prevara o tome šta je verovatno legitimna transakcija, a šta bi mogla biti prevara.

Iako je model LTM manje snažan kada je reč o strukturiranim podacima, on obično ima odlične rezultate u obradi i analizi ove vrste informacija. Budući da se modeli LTM i LLM uče na različitim vrstama podataka, oni se međusobno ne zamenjuju. Umesto toga, oni obavljaju različite zadatke i mogu da se međusobno dopunjuju. 

LTM se mogu koristiti za analizu različitih skupova podataka i strukturiranih podataka, što korisnicima omogućava da pronađu nove veze i steknu nove uvide u velikim i različitim tabelama sa mnogo redova podataka.

U finansijskim uslugama i plaćanjima, LTM bi mogao da pomogne u ranijem i preciznijem uočavanju sumnjivih aktivnosti učenjem obrazaca iz velikih količina transakcionih podataka. On može da prepozna tipične obrasce potrošnje i brzo identifikuje kada nešto iznenada ne odgovara tom obrascu. Pošto LTM uči kako izgleda normalno ponašanje u mnogim situacijama, on može da pomogne sistemima za prevare da takođe izbegnu označavanje legitimnih kupovina kao prevara, čime se smanjuje broj nepotrebnih odbijanja kartica, a istovremeno se traga za stvarnim rizikom.

Kompanija Mastercard je počela da razvija sopstvene LTM modele, obučene na milijardama anonimizovanih transakcija, kako bi istražila upravo ove vrste scenarija i primene. Verujemo da bi naši LTM modeli mogli da se koriste za sajber bezbednost, programe lojalnosti sa nagradama, modele personalizacije, optimizaciju portfolija i alate za analitiku podataka. Pored toga, pošto je LTM fleksibilniji od postojećih tradicionalnih AI sistema zasnovanih na mašinskom učenju, možda ćemo moći da koristimo pregršt LTM modela umesto da danas gradimo i održavamo hiljade tradicionalnijih modela mašinskog učenja.

Pored plaćanja i finansijskih usluga, LTM-ovi bi mogli da se koriste u bilo kojoj industriji koja upravlja velikim količinama strukturiranih podataka — od farmaceutske preko energetskog sektora do saobraćaja i logistike — kako bi organizacije mogle da prepoznaju nove uvide u svojim podacima.

Na osnovu javno dostupnih informacija na dan objavljivanja ovog članka, čini se da je danas u produkciji malo LTM modela — ako ih uopšte ima. Međutim, mnoge kompanije su do sada objavile pozitivne rezultate u vezi sa sopstvenim istraživanjem i razvojem LTM modela, a čini se da mnoge rade na tome da ih uvedu u produkciju. Svakodnevno stižu vesti o mogućnostima generativne veštačke inteligencije, tako da treba očekivati brze promene i nova otkrića u vezi sa LTM modelima.

Za sada se čini da će LTM-ovi, za razliku od jezičkih modela (LLM), verovatnije funkcionisati u pozadini, jačajući sisteme za prevenciju prevara, analizirajući velike skupove podataka i snažeći mogućnosti nauke o podacima unutar organizacija.

Još uvek ne znamo kako bi LTM-ovi mogli da komuniciraju sa veštačkom inteligencijom i agentima. Danas se jezički modeli velikih formata (LLM) koriste kao osnova za pokretanje mnogih vrsta AI agenata, kao što je ChatGPT, ali slične vrste primene nisu toliko očigledne za LTM-ove pošto se oni više koriste za poboljšanje i pojednostavljenje poslovanja i sistema organizacija. Međutim, možemo da zamislimo budućnost u kojoj bi agent mogao da sarađuje sa LTM-om radi rešavanja problema u stvarnom svetu na sličan način na koji se to danas radi sa jezičkim modelima velikih formata (LLM).

Na primer, agent bi jednog dana mogao da iskoristi analizu iz modela LTM kako bi omogućio personalizovane preporuke za nekoga ko kupuje putem generativnog veštačkog inteligencijskog čet-bota. Na ovaj način, modeli LTM bi s vremenom mogli da se koriste za pokretanje agencijske trgovine, novog i razvijajućeg oblika maloprodaje koji koristi ove agente za kupovinu, pronalaženje i pazar.