TabFM de Google aprende a predecir con datos nunca vistos en entrenamiento

Puntos clave

• Google Research publicó TabFM en 2025, un modelo de base que hace predicciones en conjuntos de datos completamente nuevos sin entrenamiento por conjunto de datos.
• TabFM igualó o superó a modelos tradicionales fuertemente ajustados en 51 conjuntos de datos públicos de referencia en 38 tareas de clasificación y 13 de regresión.
• El modelo se entrenó íntegramente con 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 computacionalmente más exigente que los enfoques tradicionales, algo que los equipos deben planificar.
• Weihao Kong, investigador de Google, dijo a VentureBeat que el principal valor del modelo es la velocidad: predicciones de alta calidad sin un equipo dedicado de ciencia de datos.

La mayoría de los datos empresariales se encuentran en hojas de cálculo y libros mayores financieros. Conseguir que un modelo de IA haga predicciones útiles a partir de ese tipo de datos, ya sea prediciendo cancelaciones de clientes o detectando transacciones fraudulentas, siempre ha requerido mucho trabajo manual previo.

Un equipo de Google Research ha publicado ahora un enfoque llamado TabFM, abreviatura de Tabular Foundation Model, un sistema de IA de propósito general diseñado para manejar datos de filas y columnas como los que encontrarías en cualquier hoja de cálculo.

TabFM puede predecir resultados en un conjunto de datos que nunca ha visto antes, sin ningún entrenamiento personalizado. Le proporcionas tus registros históricos y las nuevas filas que deseas entender, y devuelve una predicción en un paso.

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

El aprendizaje automático tradicional requiere que un especialista construya una tubería personalizada para cada nuevo conjunto de datos: limpiar datos desordenados, codificar categorías como números, ejecutar docenas de configuraciones de prueba y luego monitorizar el modelo después del lanzamiento porque los datos del mundo real siguen cambiando. Es lento, costoso y demanda atención continua.

Los modelos de lenguaje, la tecnología detrás de chatbots como ChatGPT y Claude, no son un atajo aquí. Fueron construidos para texto, no para cuadrículas. Una tabla de tamaño medio con unos pocos miles de filas llena rápidamente su memoria. Los números se distorsionan porque el modelo los divide en fragmentos extraños. Aplanar una cuadrícula bidimensional en una sola línea de texto hace que el modelo pierda la noción de qué valor pertenece a qué columna.

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

¿Cómo funciona realmente TabFM?

TabFM mantiene intacta la estructura de cuadrícula de la tabla en todo momento. Alterna la atención, una técnica donde el modelo verifica cómo cada valor se relaciona con sus vecinos, primero en filas y luego en columnas. Luego comprime cada fila en un resumen compacto antes de hacer su predicción final.

El diseño toma prestado de dos modelos anteriores: TabPFN, desarrollado por Prior Labs, que probó el concepto pero tuvo dificultades con tablas grandes, y TabICL, del instituto nacional de investigación digital de Francia, que agregó compresión de filas para manejar conjuntos de datos más grandes.

TabFM nunca fue entrenado con datos empresariales reales. Google lo construyó íntegramente con cientos de millones de conjuntos de datos sintéticos generados por computadora, por lo que ningún registro privado de clientes se utilizó en el entrenamiento.

¿Qué tan bien se desempeña?

En TabArena, una suite de evaluación estándar que cubre 51 conjuntos de datos diversos del mundo real, las predicciones de disparo cero de TabFM, es decir, predicciones realizadas sin exposición previa a esos datos, igualaron o superaron a modelos tradicionales fuertemente ajustados. Google es cuidadoso al notar que esto no significa que TabFM gane en cada comparación directa contra un modelo especializado construido para una tarea específica.

Para equipos que buscan la máxima precisión, Google también introdujo una configuración "TabFM-Ensemble" que ejecuta el modelo a través de 32 variaciones distintas y fusiona los resultados.

¿Cuál es el verdadero compromiso?

Los modelos tradicionales son lentos de construir pero rápidos de ejecutar. TabFM lo invierte. No hay fase de entrenamiento, pero cada predicción requiere que el modelo relea todos tus registros históricos como contexto. Eso es computacionalmente exigente. Para aplicaciones que necesitan respuestas de solo algunos milisegundos, como una verificación de fraude en tiempo real en un terminal de pago, la latencia puede ser un problema hoy.

Para un equipo pequeño que necesita una línea de base funcional para la próxima semana en lugar de el próximo trimestre, el cálculo se ve muy diferente. Esa tensión entre el costo de inferencia y la velocidad de implementación es algo que hemos rastreado en historias recientes sobre costos de IA: barato para comenzar no siempre es barato para ejecutar.

La lectura honesta sobre TabFM: los resultados de referencia de disparo cero son genuinamente impresionantes, y el enfoque de entrenamiento únicamente sintético es una respuesta clara a las preocupaciones sobre privacidad de datos. El costo de inferencia es real y no es una nota al pie. Observa si Google publica un perfil de latencia contra cargas de trabajo de fraude o abandono de clientes de nivel de producción antes de que los equipos empresariales se comprometan.