.webp){kind=small}
Por que importa: A grande maioria dos dados empresariais é tabular, ou seja, vive em armazéns de dados, sistemas de gerenciamento de relacionamentos com clientes e livros contábeis.
A grande maioria dos dados empresariais é tabular, ou seja, vive em armazéns de dados, sistemas de gerenciamento de relacionamentos com clientes e livros contábeis. No entanto, criar um modelo confiável a partir desses dados ainda significa treinar um novo modelo do zero para cada conjunto de dados, além de manter loops de ajuste de hiperparâmetros, engenharia de recursos e pipelines de retreinamento Nos últimos tempos, os modelos para processamento de texto e visão computacional têm passado por uma mudança significativa em direção à inferência zero-shot, na qual um modelo pode realizar uma tarefa completamente nova apenas sendo instruído com contexto.
Os grandes modelos de linguagem (LLMs) já demonstram excelente desempenho no aprendizado em contexto, então por que não podemos simplesmente alimentar tabelas em um LLM pronto para uso? A razão A previsão da rotatividade de clientes é um desafio constante para as empresas. Em vez de criar um pipeline de dados personalizado e treinar um modelo XGBoost, é possível simplesmente passar uma amostra de dados de sessões de usuário históricas junto com uma nova sessão ativa para o TabFM.
Impactos: Os grandes modelos de linguagem (LLMs) já demonstram excelente desempenho no aprendizado em contexto, então por que não podemos simplesmente alimentar tabelas em um LLM pronto para uso?
Em uma única passagem, o modelo retorna a probabilidade instantânea de rotatividade. O TabFM supera as limitações As interações complexas entre recursos são um desafio significativo em muitas aplicações de aprendizado de máquina. No entanto, uma abordagem inovadora tem sido desenvolvida para lidar com esse problema de forma eficaz.
Essa abordagem utiliza uma profunda contextualização, que realiza o trabalho pesado que normalmente exigiria a criação manual tediosa de recursos por cientistas de dados. Um dos principais avanços dessa A suite de modelos de aprendizado de máquina desenvolvida recentemente abrange 51 conjuntos de dados tabulares diversificados, distribuídos em 38 tarefas de classificação e 13 tarefas de regressão.
Resumo final: A razão A previsão da rotatividade de clientes é um desafio constante para as empresas.
Nos benchmarks públicos, as previsões realizadas pelo modelo, sem necessidade de treinamento prévio, já alcançam ou superam os resultados obtidos por modelos supervisionados altamente ajustados. No entanto, a Google Em um novo paradigma de processamento de informações, a computação e a memória são executadas em tempo de execução.
De acordo com especialistas, o treinamento tradicional de aprendizado de máquina se torna uma fase de "pré-preenchimento" (cache de KV) na janela de contexto. Embora o custo desse pré-preenchimento seja elevado, ele é pago apenas uma vez por tabela, e o cache é reutilizado Os desenvolvedores podem avaliar o modelo internamente, mas ainda não é possível implantá-lo em produtos comerciais.
No entanto, o Google está trabalhando para resolver esse problema por meio de seu ecossistema de nuvem. O TabFM está sendo integrado diretamente ao Google BigQuery, permitindo que os analistas executem previsões de zero disparo de forma nativa por meio de um comando "AI.PREDICT". Ao colocar a inferência
Fonte original:
Google's TabFM skips per-dataset training and still predicts on tables it's never seen
Categorias: Ciência e Tecnologia, IA
Marcador: Notícias
.jpg)
