Giải thích về mô hình bảng lớn: Tìm hiểu về một hình thức AI tạo sinh mới

Mô hình bảng lớn là một loại hệ thống trí tuệ nhân tạo tạo sinh có khả năng phân tích các bảng quy mô lớn và các loại tập dữ liệu có tổ chức khác, chẳng hạn như hàng tỷ giao dịch thanh toán được lưu trữ gọn gàng trong các hàng và cột cố định. Hệ thống này có thể tìm kiếm các mô hình và đưa ra dự đoán bằng cách sử dụng các tập dữ liệu này. Bằng cách này, hệ thống có thể giúp phát hiện các xu hướng và hành vi mà con người hoặc các loại phần mềm khác khó có thể khám phá. 

Các mô hình ngôn ngữ lớn, vốn hỗ trợ ChatGPT của OpenAI và Gemini của Google, được huấn luyện trên văn bản, hình ảnh và video, còn được gọi là dữ liệu phi cấu trúc. Chúng đặc biệt giỏi trong việc tạo ra các loại nội dung tương tự, chẳng hạn như truyện ngắn hoặc hình ảnh, đồng thời cũng có thể được sử dụng để phát triển mã phần mềm.

LTM được huấn luyện trên dữ liệu có cấu trúc, chẳng hạn như các hàng và cột của hồ sơ giao dịch. LTM rất giỏi trong việc tìm kiếm các mô hình, dự đoán hành vi và có khả năng cải thiện các hệ thống ở hậu trường.

Cả hai loại mô hình AI tạo sinh đều được huấn luyện bằng lượng lớn dữ liệu — cho dù đó là văn bản viết cho LLM hay các tập dữ liệu được tổ chức cho LTM. Cả hai loại mô hình sau đó có thể sử dụng quá trình đào tạo này để phân tích và dự đoán.

Đối với LLM, điều đó có thể có nghĩa là dự đoán từ tiếp theo trong một câu có thể là gì sau khi phân tích hàng triệu triệu câu. Đó là cách hệ thống này có thể viết một câu chuyện mới hoặc lời bài hát.

Đối với một LTM, điều đó có thể có nghĩa là dự đoán giao dịch thanh toán tiếp theo của ai đó sau khi phân tích hàng tỷ giao dịch trước đó. Bằng cách đó, hệ thống có thể cung cấp thông tin cho các mô hình phòng chống gian lận về những gì có khả năng là giao dịch hợp pháp và những gì có thể là gian lận.

Mặc dù LLM không mạnh bằng đối với dữ liệu có cấu trúc, nhưng LTM lại có xu hướng vượt trội trong việc xử lý và phân tích loại thông tin này. Do LTM và LLM học hỏi từ các loại dữ liệu khác nhau, mô hình này không thay thế cho mô hình kia. Thay vào đó, chúng thực hiện các chức năng khác nhau và có thể bổ sung cho nhau. 

LTM có thể được sử dụng để phân tích các tập dữ liệu khác nhau và dữ liệu có cấu trúc, cho phép người dùng tìm ra các kết nối mới và thu được thông tin chi tiết mới trên các bảng dữ liệu lớn và rời rạc với nhiều hàng dữ liệu.

Trong lĩnh vực dịch vụ tài chính và thanh toán, LTM có thể giúp phát hiện hoạt động đáng ngờ sớm hơn và chính xác hơn bằng cách học hỏi các mẫu từ lượng lớn dữ liệu giao dịch. Hệ thống này có thể nhậnγν các mô hình chi tiêu thông thường và nhanh chóng xác định khi nào có điểm bất thường không khớp với mô hình đó. Vì LTM tìm hiểu xem hành vi thông thường trông như thế nào trong nhiều tình huống, nên hệ thống này cũng có thể giúp các hệ thống chống gian lận tránh việc gắn cờ các giao dịch mua hợp lệ là gian lận, từ đó giảm thiểu tình trạng từ chối thẻ không cần thiết trong khi vẫn tìm kiếm rủi ro thực sự.

Mastercard đã bắt đầu phát triển các LTM của riêng mình, được huấn luyện trên hàng tỷ giao dịch được ẩn danh, nhằm điều tra chính xác các loại kịch bản và mục đích sử dụng này. Chúng tôi tin rằng các LTM của mình có thể được sử dụng cho an ninh mạng, các chương trình khách hàng thân thiết và phần thưởng, các mô hình cá nhân hóa, tối ưu hóa danh mục đầu tư và các công cụ phân tích dữ liệu. Ngoài ra, vì một LTM linh hoạt hơn so với các hệ thống AI học máy truyền thống hiện có, chúng tôi có thể sử dụng một số ít LTM thay vì phải xây dựng và duy trì hàng nghìn mô hình học máy truyền thống hơn như hiện nay.

Ngoài các dịch vụ thanh toán và tài chính, LTM có thể được sử dụng cho bất kỳ ngành nào quản lý lượng lớn dữ liệu có cấu trúc — từ dược phẩm, năng lượng cho đến vận tải và hậu cần — để các tổ chức có thể xác định những thông tin chi tiết mới trong dữ liệu của mình.

Dựa trên thông tin có sẵn công khai tính đến ngày xuất bản bài viết này, dường như có rất ít — nếu có — LTM đang được đưa vào hoạt động thực tế hiện nay. Tuy nhiên, nhiều công ty cho đến nay đã công bố các kết quả tích cực từ hoạt động nghiên cứu và phát triển LTM của riêng họ, và nhiều công ty dường như đang hướng tới giai đoạn đưa vào sản xuất. Tin tức được cập nhật mỗi ngày về các tính năng của AI sinh tạo, vì vậy có thể dự kiến sẽ có những thay đổi nhanh chóng và khám phá mới liên quan đến LTM.

Hiện tại, có vẻ như không giống như LLM, LTM có nhiều khả năng hoạt động ở hậu trường hơn, giúp củng cố các hệ thống phòng chống gian lận, phân tích các tập dữ liệu lớn và tăng cường năng lực khoa học dữ liệu trong các tổ chức.

Chúng ta chưa biết LTM có thể tương tác như thế nào với tác nhân AI. Ngày nay, LLM được sử dụng làm nền tảng để cung cấp năng lượng cho nhiều loại tác nhân AI, chẳng hạn như ChatGPT, nhưng các trường hợp sử dụng tương tự lại không quá rõ ràng đối với LTM vì chúng được sử dụng nhiều hơn để cải thiện và hợp lý hóa các hoạt động cũng như hệ thống của tổ chức. Tuy nhiên, chúng ta có thể tưởng tượng một tương lai trong đó một tác nhân có thể làm việc với LTM để giải quyết các vấn đề trong thế giới thực theo cách tương tự như cách được thực hiện ngày nay với LLM.

Ví dụ: một tác nhân có thể vào một ngày nào đó sử dụng phân tích từ LTM để cung cấp năng lượng cho các đề xuất được cá nhân hóa cho người mua sắm thông qua một chatbot AI tạo sinh. Theo cách này, LTM cuối cùng có thể được sử dụng để giúp thúc đẩy thương mại dựa trên tác nhân, một hình thức bán lẻ mới và đang phát triển sử dụng các tác nhân này để mua sắm, khám phá và mua hàng.