El TabFM de Google aprende a predecir a partir de datos en los que nunca se entrenó

Puntos clave

• Google Research publicó TabFM en 2025, un modelo fundacional que realiza predicciones en conjuntos de datos completamente nuevos sin necesidad de entrenamiento por conjunto de datos.
• TabFM iguaió o superó modelos tradicionales fuertemente optimizados en 51 conjuntos de datos de referencia públicos en 38 tareas de clasificación y 13 de regresión.
• El modelo se entrenó enteramente en cientos de millones de conjuntos de datos sintéticos generados por computadora, por lo que nunca ingirió datos reales de clientes o empresas.
• La inferencia, es decir, el paso en el que el modelo realmente realiza una predicción, es más pesada y lenta que los enfoques tradicionales, algo que los equipos deben planificar.
• Weihao Kong, investigador de Google, dijo a VentureBeat que el valor principal del modelo es la velocidad: predicciones de alta calidad sin necesidad de un equipo dedicado de ciencia de datos.

La mayoría de los datos empresariales del mundo vive en hojas de cálculo, bases de datos y libros mayores financieros. Hacer que un modelo de IA realice predicciones útiles a partir de ese tipo de datos, ya sea pronosticando cancelaciones de clientes o detectando transacciones fraudulentas, siempre ha requerido mucho trabajo manual previo.

Hoy, un equipo de Google Research publicó un nuevo enfoque llamado TabFM. El nombre significa Modelo Fundacional Tabular, es decir, un sistema de IA de propósito general construido para manejar el tipo de datos de filas y columnas que encontraría en cualquier hoja de cálculo.

La afirmación clave: TabFM puede predecir resultados en un conjunto de datos que nunca ha visto antes, sin necesidad de entrenamiento personalizado. Le das tus registros históricos y las nuevas filas que deseas comprender, y devuelve una predicción en un solo paso.

¿Por qué es esto más difícil de lo que parece?

El aprendizaje automático tradicional, del tipo en el que las empresas han confiado durante años, requiere que un especialista construya un proceso específico para cada nuevo conjunto de datos. Esto significa limpiar datos desordenados, codificar categorías como números, ejecutar docenas de configuraciones de prueba para encontrar la mejor configuración y luego monitorear el modelo después del lanzamiento porque los datos del mundo real siguen cambiando. Es lento, costoso y requiere atención continua.

Podrías preguntarte: ¿por qué no simplemente pedirle a un modelo de lenguaje grande existente, la tecnología detrás de chatbots como ChatGPT y Claude, que lea directamente la hoja de cálculo? La respuesta es que los modelos de lenguaje fueron construidos para texto, no para cuadrículas. Una tabla de tamaño medio con algunos miles de filas rápidamente llena su memoria. Los números se distorsionan porque el modelo los divide en fragmentos extraños. Y una vez que una cuadrícula bidimensional se aplana en una sola línea de texto, el modelo comienza a perder la pista de qué número pertenece a qué columna.

"Por eso hoy es mucho más efectivo usar un LLM para escribir el código que maneje la ingeniería de características que pedirle al LLM que lea la tabla en sí", dijo Kong.

TabFM evita esto manteniendo la estructura de cuadrícula de la tabla intacta durante todo el proceso. Alterna la atención, una técnica donde el modelo verifica cómo cada valor se relaciona con otros, en filas y columnas simultáneamente. Luego comprime cada fila en un resumen compacto antes de hacer su predicción final. El diseño se basa en dos modelos de investigación anteriores: TabPFN, desarrollado por Prior Labs, que demostró el concepto pero tuvo dificultades con tablas grandes, y TabICL, del instituto nacional de investigación digital de Francia, que añadió compresión eficiente para manejar conjuntos de datos más grandes.

El modelo nunca se entrenó en datos comerciales reales. Google lo construyó enteramente con cientos de millones de conjuntos de datos sintéticos generados por computadora, lo que significa que no se utilizaron registros de clientes privados.

En TabArena, un conjunto estándar de evaluación que cubre 51 conjuntos de datos reales diversos, las predicciones de cero disparos de TabFM, es decir, predicciones realizadas sin entrenamiento previo en esos datos, igualaron o superaron modelos tradicionales fuertemente optimizados. Google es cuidadoso al señalar que esto no significa que TabFM gane en todos los enfrentamientos directos contra un modelo especialista construido y optimizado para una tarea específica.

Hay un compromiso genuino. Los modelos tradicionales son lentos de construir pero rápidos y baratos de ejecutar. TabFM invierte eso. No hay fase de entrenamiento, pero cada predicción requiere que el modelo vuelva a leer todos tus registros históricos como contexto. Eso es computacionalmente pesado. Para aplicaciones que necesitan una respuesta en milisegundos de un solo dígito, como un control de fraude en tiempo real en una terminal de pago, la latencia puede ser un problema hoy.

Para un equipo pequeño que necesita un modelo de referencia funcional la próxima semana en lugar del próximo trimestre, el cálculo se ve muy diferente.