Vysvetlenie veľkých tabuľkových modelov: Pochopenie novej formy generatívnej AI

Veľký tabuľkový model je typ systému generatívnej AI, ktorý dokáže analyzovať veľkoobjemové tabuľky a iné druhy organizovaných súborov údajov, ako sú napríklad miliardy platobných transakcií prehľadne uložených v pevných riadkoch a stĺpcoch. Pomocou týchto súborov údajov dokáže vyhľadávať vzorce a vytvárať predpovede. Týmto spôsobom pomáha odhaľovať trendy a správanie, ktoré by bolo pre ľudí alebo iné typy softvéru náročné odhaliť. 

Modely veľkých jazykov, ktoré poháňajú ChatGPT od OpenAI a Gemini od Google, sú trénované na texte, obrázkoch a videách, čo je známe aj ako neštruktúrované údaje. Sú obzvlášť dobré pri vytváraní podobných typov obsahu, ako sú poviedky alebo obrázky, a dajú sa použiť aj na vývoj softvérového kódu.

LTM sa trénuje na štruktúrovaných údajoch, ako sú riadky a stĺpce záznamov transakcií. LTM dokážu dobre odhaľovať vzorce, predpovedať správanie a potenciálne vylepšovať systémy v zákulisí.

Oba typy modelov generatívnej AI sa trénujú s použitím obrovského množstva údajov – či už ide o písaný text pre LLM, alebo organizované súbory údajov pre LTM. Oba typy modelov potom môžu toto trénovanie využiť na analýzu a predikciu.

V prípade modelu LLM to môže znamenať predpovedanie toho, aké bude ďalšie slovo vo vete po analýze miliónov a miliónov viet. Práve vďaka tomu dokáže písať nový príbeh alebo texty piesní.

V prípade LTM to môže znamenať predpovedanie ďalšej platobnej transakcie niekoho po analýze miliárd predchádzajúcich transakcií. Týmto spôsobom môže modely prevencie podvodov informovať o tom, čo bude pravdepodobne legitímnou transakciou a čo by mohlo byť podvodom.

Zatiaľ čo modely LLM nie sú až také silné v oblasti štruktúrovaných údajov, modely LTM vynikajú v spracovaní a analýze tohto typu informácií. Keďže sa modely LTM a LLM učia z rôznych typov údajov, navzájom sa nevylučujú. Skôr robia rôzne veci a môžu sa navzájom dopĺňať. 

LTM možno použiť na analýzu rôznych súborov údajov a štruktúrovaných údajov, čo používateľom umožňuje nachádzať nové prepojenia a získavať nové poznatky v rozsiahlych a rôznorodých tabuľkách s mnohými riadkami údajov.

Vo finančných službách a platbách by model LTM mohol pomôcť odhaliť podozrivú aktivitu skôr a presnejšie vďaka tomu, že sa učí vzorce z veľkého množstva transakčných údajov. Dokázal by rozpoznávať typické vzorce výdavkov a rýchlo identifikovať, keď sa niečo zrazu do tohto vzorca nehodí. Keďže sa model LTM učí, ako vyzerá bežné správanie v mnohých situáciách, môže podvodným systémom pomôcť aj vyhnúť sa označovaniu legitímnych nákupov za podvody, čím sa zníži počet zbytočných zamietnutí kariet a zároveň sa bude naďalej vyhľadávať skutočné riziko.

Spoločnosť Mastercard začala vyvíjať vlastné modely LTM trénované na miliardách anonymizovaných transakcií, aby preskúmala práve takéto scenáre a použitia. Veríme, že naše modely LTM by sa mohli použiť v oblasti kybernetickej bezpečnosti, vernostných a odmeňovacích programov, modelov personalizácie, optimalizácie portfólia a nástrojov na analýzu údajov. Okrem toho, keďže model LTM je flexibilnejší než existujúce tradičné systémy strojového učenia založené na AI, možno budeme môcť použiť hrsť modelov LTM namiesto budovania a údržby tisícov tradičnejších modelov strojového učenia, ktoré sa používajú dnes.

Okrem platieb a finančných služieb by sa modely LTM dali použiť v každom odvetví, ktoré spravuje veľké množstvo štruktúrovaných údajov – od farmácie cez energetiku až po dopravu a logistiku –, aby organizácie mohli odhaliť nové poznatky vo svojich údajoch.

Na základe verejne dostupných informácií k dátumu vydania tohto článku sa zdá, že v súčasnosti je v prevádzke len málo modelov LTM – ak vôbec nejaké. Mnohé spoločnosti však zatiaľ oznámili pozitívne výsledky svojho výskumu a vývoja vlastných modelov LTM a zdá sa, že mnohé z nich smerujú k ostrej prevádzke. Každý deň sa objavujú nové správy o schopnostiach generatívnej umelej inteligencie, takže možno očakávať rýchle zmeny a nové objavy týkajúce sa modelov LTM.

Zatiaľ sa zdá, že LTM na rozdiel od modelov LLM pravdepodobne fungujú v zákulisí, kde posilňujú systémy prevencie podvodov, analyzujú veľké súbory údajov a posilňujú spôsobilosti v oblasti dátovej vedy v rámci organizácií.

Ešte nevieme, ako by modely LTM mohli interagovať s agentmi AI. Modely LLM sa dnes používajú ako základ na napájanie mnohých typov agentov AI, ako je ChatGPT, ale rovnaké druhy prípadov použitia nie sú pri modeloch LTM také zrejmé, pretože sa viac využívajú na zlepšenie a zefektívnenie operácií a systémov organizácií. Môžeme si však predstaviť budúcnosť, v ktorej by agent mohol pracovať s modelom LTM na riešení reálnych problémov podobným spôsobom, akým sa to dnes robí s modelmi LLM.

Agent by napríklad mohol niekedy použiť analýzu z LTM na vytvorenie prispôsobených odporúčaní pre niekoho, kto nakupuje prostredníctvom chatbota poháňaného generatívnou AI. LTM by sa takto mohli v budúcnosti použiť na podporu obchodovania s využitím agentov – novej a rozvíjajúcej sa formy maloobchodu, ktorá na nakupovanie, vyhľadávanie a nákup využívajú týchto agentov.