Katta jadvalli modellar tushuntirildi: Generativ sun'iy intellektning yangi shaklini tushunish

Katta jadval modeli — bu qat'iy qatorlar va ustunlarda tartibli saqlanadigan milliardlab to'lov tranzaksiyalari kabi keng ko'lamli jadvallar va boshqa turdagi uyushgan ma'lumotlar to'plamini tahlil qila oladigan generativ sun'iy intellekt tizimining bir turi. Ushbu ma'lumotlar to'plamidan foydalangan holda naqshlarni qidirishi va bashorat qilishi mumkin. Shu tarzda u odamlar yoki boshqa turdagi dasturiy ta'minot aniqlashi qiyin bo'lgan tendentsiyalar va xatti-harakatlarni aniqlashga yordam berishi mumkin. 

OpenAIning ChatGPT va Google’ning Gemini dasturlarini ta'minlovchi yirik til modellari matn, tasvirlar va videolardan iborat tuzilmagan ma'lumotlar asosida o'qitiladi. Ular qisqa hikoyalar yoki rasmlar kabi shunga o'xshash turdagi kontentni yaratishda ayniqsa yaxshi va dasturiy ta'minot kodini ishlab chiqish uchun ham ishlatilishi mumkin.

LTM tranzaksiya yozuvlarining qatorlari va ustunlari kabi tuzilgan ma'lumotlar asosida o'qitiladi. LTM'lar naqshlarni topish, xatti-harakatlarni bashorat qilish va parda ortidagi tizimlarni yaxshilashda yaxshi natija ko'rsatadi.

Ikkala turdagi generativ sun'iy intellekt modellari ham ulkan hajmdagi ma'lumotlar — LLM'lar uchun yozma matn yoki LTM'lar uchun tartibga solingan ma'lumotlar to'plamlari yordamida o'qitiladi. Keyinchalik ikkala turdagi modellar tahlil qilish va bashorat qilish uchun ushbu o'qitishdan foydalanishi mumkin.

LLM uchun bu millionlab va millionlab jumlalarni tahlil qilgandan keyin jumladagi keyingi so'z nima bo'lishini bashorat qilishni anglatishi mumkin. U yangi hikoya yoki qo'shiq matnini yoza olishining sababi shunda.

LTM uchun bu milliardlab oldingi tranzaksiyalar tahlil qilingandan so'ng kimningdir keyingi to'lov tranzaksiyasini bashorat qilishni anglatishi mumkin. Shu tarzda, u firibgarlikning oldini olish modellariga qaysi biri qonuniy tranzaksiya bo'lishi ehtimoli yuqoriligi va qaysi biri firibgarlik bo'lishi mumkinligi haqida ma'lumot berishi mumkin.

Garchi LLM'lar tuzilgan ma'lumotlar bilan ishlashda unchalik kuchli bo'lmasa-da, LTM'lar bunday turdagi ma'lumotlarni qayta ishlash va tahlil qilishda ustunlik qiladi. LTM'lar va LLM'lar turli xil ma'lumot turlaridan o'rganishgani sababli, biri ikkinchisini almashtirmaydi. Aksincha, ular turli vazifalarni bajaradi va bir-birini to'ldirishi mumkin. 

LTM'lardan turli xil ma'lumotlar to'plamlari va tuzilgan ma'lumotlarni tahlil qilish uchun foydalanish mumkin, bu foydalanuvchilarga ko'plab ma'lumotlar qatoriga ega katta va tarqoq jadvallar bo'ylab yangi bog'liqliklarni topish va yangi tushunchalarga ega bo'lish imkonini beradi.

Moliyaviy xizmatlar va to'lovlar sohasida LTM ko'p miqdordagi tranzaksiya ma'lumotlaridan naqshlarni o'rganish orqali shubhali faoliyatni erta va aniqroq aniqlashga yordam berishi mumkin. U odatiy xarajat qilish odatlarini tanib olishi va nimadir to'satdan bu naqshga mos kelmasa, uni tezda aniqlashi mumkin. LTM ko'plab vaziyatlarda odatiy xatti-harakatlar qanday bo'lishini o'rganganligi sababli, u firibgarlik tizimlariga qonuniy xaridlarni firibgarlik sifatida belgilab qo'ymaslikka yordam beradi va haqiqiy xavfni izlashda davom etgan holda, kartalarni asossiz rad etishlarni kamaytiradi.

Mastercard o'zining LTM modellarini ishlab chiqishni boshladi, xuddi shunday ssenariylar va foydalanish holatlarini o'rganish uchun milliardlab anonimlashtirilgan tranzaksiyalar asosida o'qitildi. Bizning fikrimizcha, LTM modellarimiz kiberxavfsizlik, sodiqlik va mukofotlash dasturlari, shaxsiylashtirish modellari, portfelni optimallashtirish va ma'lumotlarni tahlil qilish vositalari uchun ishlatilishi mumkin. Bundan tashqari, LTM mavjud an'anaviy mashinaviy o'rganish sun'iy intellekt tizimlariga qaraganda moslashuvchanroq bo'lgani sababli, biz bugungi kunda minglab an'anaviy mashinaviy o'rganish modellarini yaratish va qo'llab-quvvatlash o'rniga bir nechta LTM modellaridan foydalanishimiz mumkin.

To'lovlar va moliyaviy xizmatlardan tashqari, LTM'larni ko'p miqdordagi tuzilgan ma'lumotlarni boshqaradigan har qanday sohada — farmatsevtikadan tortib energetika, transport va logistikagacha — tashkilotlar o'z ma'lumotlarida yangi tushunchalarni aniqlashi uchun ishlatish mumkin.

Ushbu maqola e'lon qilingan kundagi ommaga ochiq ma'lumotlarga asoslanib qaraganda, bugungi kunda ishlab chiqarishda LTM'lar juda kam (yoki umuman yo'q) ekanligi ko'rinib turibdi. Biroq, shu paytgacha ko'plab kompaniyalar o'zlarining LTM'larini tadqiq qilish va ishlab chiqishdan ijobiy natijalarga erishganliklarini e'lon qilishdi va ko'pchilik ularni amaliyotga joriy etish ustida ishlayotganga o'xshaydi. Har kuni generativ sun'iy intellekt imkoniyatlari haqida yangiliklar chiqib turibdi, shuning uchun LTM'lar bilan bog'liq tezkor o'zgarishlar va yangi kashfiyotlarni kutish kerak.

Hozircha LLMlardan farqli o'laroq, LTMlar sahna ortida faoliyat yuritib, firibgarlikning oldini olish tizimlarini kuchaytirishi, yirik ma'lumotlar to'plamini tahlil qilishi va tashkilotlar ichidagi ma'lumotlar fani imkoniyatlarini mustahkamlashi ehtimoli ko'proq ko'rinmoqda.

Biz LTM'lar sun'iy intellekt agentlari bilan qanday o'zaro ta'sir qilishi mumkinligini hali bilmaymiz. Bugungi kunda LLM'lar ChatGPT kabi ko'plab turdagi sun'iy intellekt agentlarini quvvatlantirish uchun asos sifatida ishlatiladi, ammo xuddi shunday foydalanish holatlari LTM'lar uchun unchalik aniq emas, chunki ular ko'proq tashkilotlarning operatsiyalari va tizimlarini yaxshilash hamda tartibga solish uchun ishlatilmoqda. Biroq, biz bugungi kunda LLM'lar yordamida amalga oshirilayotgan ishga o'xshash tarzda agent real dunyodagi muammolarni hal qilish uchun LTM bilan birga ishlay oladigan kelajakni tasavvur qilishimiz mumkin.

Misol uchun, agent qachonlardir sun'iy intellektga asoslangan chat-bot orqali xarid qilayotgan shaxs uchun shaxsiylashtirilgan tavsiyalarni taqdim etish maqsadida LTM tahlilidan foydalanishi mumkin. Shu tarzda, oxir-oqibat LTM modellari xarid qilish, qidirish va sotib olish uchun ana shunday agentlardan foydalanadigan chakana savdoning yangi va rivojlanayotgan shakli bo'lgan agentlik tijoratini rivojlantirishga yordam berish uchun ishlatilishi mumkin.