Büyük tablo modelleri açıklandı: Üretken yapay zekanın yeni bir biçimini anlamak

Büyük tablosal model, sabit satırlar ve sütunlarda düzenli olarak saklanan milyarlarca ödeme işlemi gibi büyük ölçekli tabloları ve diğer düzenlenmiş veri kümesi türlerini analiz edebilen bir üretken yapay zeka sistemi türüdür. Bu veri kümelerini kullanarak örüntüleri arayabilir ve tahminlerde bulunabilir. Bu sayede, insanların veya diğer yazılım türlerinin ortaya çıkarması zor olacak trendleri ve davranışları tespit etmeye yardımcı olabilir. 

OpenAI’nın ChatGPT ve Google’ın Gemini modellerine güç veren büyük dil modelleri; metin, görsel ve videolar gibi yapılandırılmamış veri olarak bilinen içerikler üzerine eğitilir. Kısa öyküler veya görseller gibi benzer türde içerikler oluşturma konusunda özellikle başarılıdır ve yazılım kodu geliştirmek için de kullanılabilir.

Bir LTM, işlem kayıtlarının satırları ve sütunları gibi yapılandırılmış veriler üzerinde eğitilir. LTM'ler örüntüleri bulma, davranışları öngörme ve perde arkasındaki sistemleri potansiyel olarak iyileştirme konusunda başarılıdır.

Her iki üretken yapay zeka modeli türü de (LLM'ler için yazılı metin veya LTM'ler için organize veri setleri olsun) devasa veri hacimleri kullanılarak eğitilir. Her iki model türü de daha sonra bu eğitimi analiz ve tahmin yapmak için kullanabilir.

Bir LLM için bu, milyonlarca ve milyonlarca cümleyi analiz ettikten sonra bir cümledeki bir sonraki kelimenin ne olabileceğini tahmin etmek anlamına gelebilir. Yeni bir hikaye veya şarkı sözü yazabilmesinin yolu budur.

Bir LTM için bu durum, milyarlarca geçmiş işlemi analiz ettikten sonra birinin bir sonraki ödeme işlemini tahmin etmek anlamına gelebilir. Bu sayede dolandırıcılık önleme modellerine, neyin meşru bir işlem olma ihtimalinin yüksek olduğu ve neyin dolandırıcılık olabileceği konusunda bilgi verebilir.

LLM'ler yapılandırılmış verilerle çalışmada o kadar güçlü olmasa da LTM'ler bu tür bilgileri işleme ve analiz etme konusunda başarılı olma eğilimindedir. LTM'ler ve LLM'ler farklı veri türlerinden öğrendikleri için biri diğerinin yerini almaz. Aksine, farklı işlevler görürler ve birbirlerini tamamlayabilirler. 

LTM'ler, farklı veri setlerini ve yapılandırılmış verileri analiz etmek için kullanılabilir; bu sayede kullanıcıların çok sayıda veri satırına sahip büyük ve farklı tablolar arasında yeni bağlantılar bulmasını ve yeni içgörüler elde etmesini sağlar.

Finansal hizmetler ve ödemelerde bir LTM; büyük miktardaki işlem verilerinden kalıpları öğrenerek şüpheli faaliyetleri daha erken ve daha doğru bir şekilde tespit etmeye yardımcı olabilir. Tipik harcama kalıplarını tanıyabilir ve bir şeyin aniden bu kalıba uymadığını hızlı bir şekilde tespit edebilir. Bir LTM, birçok durumda normal davranışın nasıl olduğunu öğrendiği için, dolandırıcılık sistemlerinin meşru satın alımları da dolandırıcılık olarak işaretlemesini önlemeye yardımcı olabilir; böylece gerçek riskleri aramaya devam ederken gereksiz kart reddetme işlemlerini azaltır.

Mastercard, tam da bu tür senaryoları ve kullanım alanlarını araştırmak için milyarlarca anonimleştirilmiş işlem üzerinde eğitilmiş kendi LTM'lerini geliştirmeye başladı. LTM'lerimizin siber güvenlik, sadakat ve ödül programları, kişiselleştirme modelleri, portföy optimizasyonu ve veri analitiği araçları için kullanılabileceğine inanıyoruz. Ek olarak, bir LTM mevcut geleneksel makine öğrenimi yapay zeka sistemlerinden daha esnek olduğundan, günümüzde binlerce daha geleneksel makine öğrenimi modeli oluşturup bakımını yapmak yerine bir avuç LTM kullanabileceğimiz durumlar ortaya çıkabilir.

Ödemeler ve finansal hizmetlerin yanı sıra LTM'ler; ilaçtan enerjiye, ulaştırma ve lojistiğe kadar büyük miktarda yapılandırılmış veri yöneten herhangi bir sektörde kullanılabilir, böylece kuruluşlar verilerindeki yeni içgörüleri tespit edebilir.

Bu makalenin yayın tarihi itibarıyla kamuya açık bilgilere dayanarak, bugün üretim aşamasında olan çok az sayıda LTM bulunduğu —hatta hiç bulunmadığı— görülmektedir. Bununla birlikte, birçok şirket kendi LTM'lerinin araştırma ve geliştirme çalışmalarından bugüne kadar olumlu sonuçlar bildirmiştir ve birçoğu üretime geçmek için çalışıyor gibi görünmektedir. Üretken yapay zeka (generative AI) yetenekleri hakkında her gün yeni haberler gelmektedir, bu nedenle LTM'leri içeren hızlı değişimlerin ve yeni keşiflerin yaşanması beklenmelidir.

Şimdilik LLM'lerin aksine LTM'lerin perde arkasında çalışarak dolandırıcılık önleme sistemlerini güçlendirdiği, büyük veri setlerini analiz ettiği ve kuruluşlar içindeki veri bilimi yeteneklerini güçlendirdiği görülüyor.

LTM'lerin yapay zeka ajanları ile nasıl etkileşime girebileceğini henüz bilmiyoruz. Günümüzde LLM'ler, ChatGPT gibi birçok türde Yapay Zeka ajanına güç sağlamak için temel olarak kullanılmaktadır, ancak LTM'ler daha çok kuruluşların operasyonlarını ve sistemlerini iyileştirmek ve optimize etmek için kullanıldığından, aynı türden kullanım senaryoları LTM'ler için o kadar açık değildir. Ancak, bir aracının, günümüzde LLM'lerle yapılanlara benzer bir şekilde gerçek dünyadaki sorunları çözmek için bir LTM ile çalışabileceği bir geleceği hayal edebiliriz.

Örneğin, bir ajan, üretken yapay zeka (gen-AI) sohbet botu aracılığıyla alışveriş yapan biri için kişiselleştirilmiş önerileri desteklemek amacıyla bir LTM'den gelen analizi ileride kullanabilir. Bu şekilde LTM'ler, bu ajanları alışveriş yapmak, keşfetmek ve satın almak için kullanan yeni ve gelişmekte olan bir perakende biçimi olan ajan tabanlı ticaretin desteklenmesine yardımcı olmak için nihayetinde kullanılabilir.