Razlaga velikih tabelaričnih modelov: razumevanje nove oblike generativne umetne inteligence

Velik tabelarni model je vrsta sistema generativne umetne inteligence, ki lahko analizira obsežne tabele in druge vrste urejenih naborov podatków, kot so milijarde transakcij s plačili, ki so lepo shranjene v nespremenljivih vrsticah in stolpcih. Z uporabo teh naborov podatkov lahko išče vzorce in ustvarja napovedi. Na ta način lahko pomaga odkriti trende in vedenja, ki bi jih ljudje ali druge vrste programske opreme težko odkrili. 

Veliki jezikovni modeli, ki poganjajo ChatGPT podjetja OpenAI in Gemini podjetja Google, se usposabljajo na besedilu, slikah in videoposnetkih, znanih tudi kot nestrukturirani podatki. Še posebej dobro ustvarjajo podobne vrste vsebine, kot so kratke zgodbe ali slike, uporabljajo pa se lahko tudi za razvoj programske kodo.

Model LTM je usposobljen na strukturiranih podatkih, kot so vrstice in stolpci evidenc transakcij. Modeli LTM so dobri pri odkrivanju vzorcev, napovedovanju vedenja in morebitnem izboljšanju sistemov v ozadju.

Obe vrsti modelov generativne umetne inteligence se usposabljata z uporabo ogromnih količin podatkov – bodisi pisnega besedila za LLM-je bodisi organiziranih naborov podatkov za LTM-je. Obe vrsti modelov lahko nato to usposabljanje uporabita za analizo in napovedovanje.

Pri velikem jezikovnem modelu (LLM) to lahko pomeni napovedovanje naslednje besede v stavku, potem ko je analiziral milijone in milijone stavkov. Tako lahko napiše novo zgodbo ali besedilo pesmi.

Pri modelu LTM to lahko pomeni napovedovanje naslednje plačilne transakcije posameznika, potem ko je model analiziral milijarde prejšnjih transakcij. Tako lahko modele za preprečevanje goljufij obvesti o tem, kaj je verjetno legitimna transakcija in kaj je lahko goljufija.

Medtem ko modeli LLM niso tako močni pri strukturiranih podatkih, se modeli LTM običajno odlikujejo pri obdelavi in analizi te vrste informacij. Ker se modeli LTM in LLM učijo iz različnih vrst podatkov, en model ne nadomešča drugega. Namesto tega počnejo različne stvari in se lahko med seboj dopolnjujejo. 

Modeli LTM se lahko uporabljajo za analizo različnih naborov podatkov in strukturiranih podatkov, kar uporabnikom omogoča, da najdejo nove povezave in pridobijo nove vpoglede v velikih in raznolikih tabelah s številnimi vrsticami podatkov.

V finančnih storitvah in plačilih bi model LTM lahko pomagal pri hitrejši in natančnejši prepoznavi sumljivih dejavnosti z učenjem vzorcev iz velikih količin podatkov o transakcijah. Prepozna lahko običajne vzorce porabe in hitro ugotovi, ko nekaj nenadoma ne ustreza temu vzorcu. Ker se model LTM v številnih situacijah nauči, kako izgleda običajno vedenje, lahko sistemom za preprečevanje goljufij pomaga tudi preprečiti označevanje legitimnih nakupov kot goljufij, s čimer zmanjšuje število nepotrebnih zavrnitev kartic, hkrati pa še naprej išče resnična tveganja.

Mastercard je začel razvijati lastne modele LTM, usposobljene na milijardah anonimiziranih transakcij, za preučevanje prav takšnih scenarijev in primerov uporabe. Verjamemo, da bi se naši modeli LTM lahko uporabljali za kibernetsko varnost, programme zvestobe in nagrajevanja, modele personalizacije, optimizacijo portfelja in orodja za analitiko podatkov. Poleg tega, ker je model LTM bolj prilagodljiv kot obstoječi tradicionalni sistemi umetne inteligence za strojno učenje, bomo morda lahko uporabili peščico modelov LTM namesto gradnje in vzdrževanja tisočev bolj tradicionalnih modelov strojnega učenja.

Poleg plačil in finančnih storitev bi se lahko modeli LTM uporabljali v vseh panogah, ki upravljajo velike količine strukturiranih podatkov – od farmacije prek energetike do prometa in logistike –, kar organizacijam omogoča prepoznavanje novih vpogledov v njihovih podatkih.

Glede na javno dostopne informacije na datum objave tega članka se zdi, da je danes v produkciji le malo LTM-jev – če sploh kakšen. Vendar pa so številna podjetja doslej objavila pozitivne rezultate svojih raziskav in razvoja lastnih LTM-jev, mnoga pa se očitno že trudijo doseči produkcijsko stopnjo. Vsak dan prihajajo novice o zmožnostih generativne umetne inteligence, zato je mogoče pričakovati hitre spremembe in nova odkritja, povezana z LTM-ji.

Za zdaj se zdi, da bodo LTM-ji, v nasprotju z LLM-ji, verjetno bolj delovali v ozadju ter krepili sisteme za preprečevanje goljufij, analizirali obsežne podatkovne zbirke in krepili zmogljivosti podatkovne znanosti znotraj organizacij.

Še ne vemo, kako bi lahko modeli LTM komunicirali z agenti z umetno inteligenco. Danes veliki jezikovni modeli služijo kot osnova za poganjanje številnih vrst agentov z umetno inteligenco, kot je ChatGPT, vendar podobni primeri uporabe pri modelih LTM niso tako očitni, saj se ti bolj uporabljajo za izboljšanje in poenostavitev poslovanja ter sistemov organizacij. Vendar si lahko predstavljamo prihodnost, v kateri bi lahko agent sodeloval z modelom LTM pri reševanju problemov v resničnem svetu na podoben način, kot se to danes počne z velikimi jezikovnimi modeli.

Agent bi lahko na primer nekoč uporabil analizo iz modela LTM za podporo osebnim priporočilom za nekoga, ki nakupuje prek klepetalnega robota z generativno umetno inteligenco. Na ta način bi modele LTM lahko sčasoma uporabili za pomoč pri spodbujanju agentske trgovine, nove in razvijajoče se oblike maloprodaje, ki te agente uporablja za nakupovanje, odkrivanje in nakup.