Великі табличні моделі: розуміння нової форми генеративного ШІ

Велика таблична модель — це різновид системи генеративного ШІ, яка здатна аналізувати великомасштабні таблиці та інші типи впорядкованих наборів даних, як-от мільярди платіжних транзакцій, акуратно збережених у фіксованих рядках і стовпцях. Вона може шукати закономірності та робити прогнози за допомогою цих наборів даних. У такий спосіб вона може допомогти виявити тенденції та поведінку, які людям чи іншим типам програмного забезпечення було б важко розпізнати. 

Великі мовні моделі, на яких працюють ChatGPT від OpenAI та Gemini від Google, навчаються на текстах, зображеннях і відео, які також відомі як неструктуровані дані. Вони особливо добре створюють подібні типи контенту, як-от оповідання чи зображення, а також можуть використовуватися для розробки програмного коду.

Модель LTM навчена на структурованих даних, таких як рядки та стовпці записів транзакцій. Моделі LTM добре знаходять закономірності, прогнозують поведінку та потенційно вдосконалюють системи за лаштунками.

Обидва типи моделей генеративного штучного інтелекту навчаються на величезних обсягах даних — будь то текстові матеріали для великих мовних моделей чи впорядковані набори даних для моделей довгострокової пам’яті. Після цього обидва типи моделей можуть використовувати результати такого навчання для аналізу й прогнозування.

Для мовної моделі це може означати прогнозування того, яким буде наступне слово в реченні після аналізу мільйонів і мільйонів речень. Саме так вона може писати нову історію або текст пісні.

Для моделі LTM це може означати прогнозування наступної платіжної транзакції користувача після аналізу мільярдів попередніх транзакцій. Таким чином, це може підказувати моделям запобігання шахрайству, яка транзакція з високою ймовірністю є легітимною, а яка може бути шахрайською.

Хоча моделі LLM не настільки потужні в роботі зі структурованими даними, моделі LTM зазвичай демонструють високі результати в обробці та аналізі такої інформації. Оскільки моделі LTM і LLM навчаються на різних типах даних, одна не заншує іншу. Натомість вони виконують різні функції та можуть доповнювати одна одну. 

LTM можна використовувати для аналізу різних наборів даних і структурованих даних, що дозволяє користувачам знаходити нові зв’язки та отримувати нові аналітичні дані у великих різнорідних таблицях із багатьма рядками даних.

У сфері фінансових послуг і платежів LTM може допомогти виявляти підозрілу активність раніше й точніше завдяки вивченню патернів на основі великих масивів даних про транзакції. Вона може розпізнавати типові патерни витрат і швидко визначати, коли щось раптом не вписується в цей патерн. Оскільки LTM вивчає, який вигляд має нормальна поведінка в багатьох ситуаціях, вона також може допомогти системам боротьби з шахрайством уникати хибного позначення легітимних покупок як шахрайських, зменшуючи кількість непотрібних відхилень карток і водночас продовжуючи виявляти реальні ризики.

Компанія Mastercard почала розробляти власні моделі LTM, навчені на мільярдах анонімізованих транзакцій, щоб досліджувати саме такі сценарії та варіанти використання. Ми віримо, що наші моделі LTM можна використовувати для кібербезпеки, програм лояльності та винагород, моделей персоналізації, оптимізації портфеля та інструментів аналізу даних. Крім того, оскільки модель LTM є більш гнучкою, ніж наявні традиційні системи штучного інтелекту на основі машинного навчання, ми зможемо використовувати декілька моделей LTM замість того, щоб створювати та підтримувати тисячі традиційних моделей машинного навчання сьогодні.

Окрім платежів та фінансових послуг, моделі довгострокової пам’яті (LTM) можна використовувати в будь-якій галузі, яка керує великими обсягами структурованих даних — від фармацевтики до енергетики, транспорту й логістики, — щоб організації могли знаходити нові висновки у своїх даних.

Виходячи із загальнодоступних даних на дату публікації цієї статті, здається, що на сьогодні виробляється небагато LTM — якщо вони взагалі є. Однак багато компаній наразі повідомили про позитивні результати своїх досліджень і розробок власних LTM, і чимало з них, схоже, працюють над запуском у виробництво. Щодня з'являються новини про можливості генеративного штучного інтелекту, тому слід очікувати стрімких змін і нових відкриттів, пов'язаних із LTM.

Поки що здається, що на відміну від LLM, моделі LTM частіше працюють у фоновому режимі, зміцнюючи системи запобігання шахрайству, аналізуючи великі набори даних і розширюючи можливості науки про дані в організаціях.

Ми поки не знаємо, як моделі LTM можуть взаємодіяти з агентами ШІ. Сьогодні великі мовні моделі (LLM) використовуються як основа для багатьох типів агентів штучного інтелекту, як-от ChatGPT, проте подібні сценарії використання менш очевидні для моделей LTM, оскільки вони частіше застосовуються для вдосконалення та оптимізації операцій і систем організацій. Однак ми можемо уявити майбутнє, в якому агент зможе працювати з LTM для розв’язання реальних завдань подібно до того, як це робиться сьогодні за допомогою LLM.

Наприклад, агент колись зможе використовувати результати аналізу з моделі LTM для забезпечення персоналізованих рекомендацій для того, хто робить покупки за допомогою чат-бота на основі генеративного штучного інтелекту. У такий спосіб моделі LTM згодом можна буде використовувати для розвитку агентської комерції — нової форми роздрібної торгівлі, що розвивається та використовує таких агентів для пошуку, вибору й купівлі товарів.