गूगल का TabFM सीखता है उस डेटा से भविष्यवाणी करना जिस पर उसे कभी प्रशिक्षण नहीं मिला
गूगल रिसर्च का एक नया AI मॉडल किसी स्प्रेडशीट का विश्लेषण कर सकता है जिसे उसने पहले कभी नहीं देखा है और एक ही चरण में भविष्यवाणी दे सकता है, कोई कस्टम प्रशिक्षण आवश्यक नहीं है।
मुख्य बिंदु
- गूगल रिसर्च ने 2025 में TabFM प्रकाशित किया, एक फाउंडेशन मॉडल जो बिना किसी प्रति-डेटासेट प्रशिक्षण के बिल्कुल नए डेटासेट पर भविष्यवाणी करता है।
- TabFM ने 38 वर्गीकरण और 13 प्रतिगमन कार्यों में 51 सार्वजनिक बेंचमार्क डेटासेट पर भारी रूप से ट्यून किए गए पारंपरिक मॉडल को मिलाया या हराया।
- मॉडल को पूरी तरह सैकड़ों मिलियन सिंथेटिक, कंप्यूटर-जनित डेटासेट पर प्रशिक्षित किया गया था, इसलिए इसने कभी वास्तविक ग्राहक या व्यावसायिक डेटा में प्रवेश नहीं किया।
- इनफेरेंस, वह चरण जहां मॉडल वास्तव में भविष्यवाणी करता है, पारंपरिक दृष्टिकोणों की तुलना में अधिक भारी और धीमा है, जिसके लिए टीमों को योजना बनानी चाहिए।
- गूगल शोधकर्ता वेइहाओ कॉन्ग ने VentureBeat को बताया कि मॉडल का मुख्य मूल्य गति है: एक समर्पित डेटा विज्ञान टीम के बिना उच्च-गुणवत्ता की भविष्यवाणी।
दुनिया का अधिकांश व्यावसायिक डेटा स्प्रेडशीट, डेटाबेस और वित्तीय बहीखाते में रहता है। AI मॉडल को उस तरह के डेटा से उपयोगी भविष्यवाणी करने के लिए, चाहे ग्राहक रद्दीकरण की भविष्यवाणी हो या धोखाधड़ी लेनदेन को स्पॉट करना हो, हमेशा पहले बहुत सारे मैनुअल काम की आवश्यकता होती है।
आज, गूगल रिसर्च की एक टीम ने TabFM नामक एक नया दृष्टिकोण प्रकाशित किया। यह नाम टेबुलर फाउंडेशन मॉडल के लिए खड़ा है, जिसका अर्थ है एक सामान्य-उद्देश्य वाली AI प्रणाली जो किसी भी स्प्रेडशीट में पाए जाने वाले पंक्ति-और-स्तंभ डेटा को संभालने के लिए बनाई गई है।
मुख्य दावा: TabFM किसी ऐसे डेटासेट पर परिणामों की भविष्यवाणी कर सकता है जिसे उसने कभी नहीं देखा है, बिना किसी कस्टम प्रशिक्षण के। आप इसे अपने ऐतिहासिक रिकॉर्ड और नई पंक्तियां देते हैं जिन्हें आप समझना चाहते हैं, और यह एक चरण में भविष्यवाणी देता है।
यह सुनने में क्यों कठिन है?
पारंपरिक मशीन लर्निंग, जिस पर कंपनियों वर्षों से निर्भर हैं, हर नए डेटासेट के लिए एक विशेषज्ञ को एक कस्टम पाइपलाइन बनाने की आवश्यकता है। इसका अर्थ है अव्यवस्थित डेटा को साफ करना, श्रेणियों को संख्याओं के रूप में कोडित करना, सर्वोत्तम सेटिंग्स खोजने के लिए दर्जनों परीक्षण कॉन्फ़िगरेशन चलाना, और फिर लॉन्च के बाद मॉडल की निगरानी करना क्योंकि वास्तविक-दुनिया का डेटा लगातार बदलता रहता है। यह धीमा, महंगा है, और चल रहे ध्यान की आवश्यकता है।
आप सोच सकते हैं: स्प्रेडशीट को सीधे पढ़ने के लिए मौजूदा बड़े भाषा मॉडल, चैटबॉट जैसे ChatGPT और Claude के पीछे की तकनीक से क्यों नहीं पूछा जाए? इसका उत्तर यह है कि भाषा मॉडल टेक्स्ट के लिए बनाए गए थे, ग्रिड के लिए नहीं। कुछ हज़ार पंक्तियों वाली एक माध्यम-आकार की तालिका जल्दी ही उनकी मेमोरी भर देती है। संख्याएं क्षतिग्रस्त हो जाती हैं क्योंकि मॉडल उन्हें विचित्र टुकड़ों में काट देता है। और एक बार द्वि-आयामी ग्रिड को टेक्स्ट की एक पंक्ति में समतल कर दिया जाता है, मॉडल ट्रैक खोने लगता है कि कौन सी संख्या किस स्तंभ से संबंधित है।
"यही कारण है कि आज, LLM का उपयोग करके फीचर इंजीनियरिंग को संभालने वाले कोड लिखना खुद LLM से तालिका को पढ़ने के लिए कहने की तुलना में कहीं अधिक प्रभावी है," कॉन्ग ने कहा।
TabFM इसे टेबल की ग्रिड संरचना को पूरी प्रक्रिया में बरकरार रखकर बाईपास करता है। यह ध्यान को वैकल्पिक करता है, एक ऐसी तकनीक जहां मॉडल यह देखता है कि प्रत्येक मान अन्य मानों से कैसे संबंधित है, एक साथ पंक्तियों और स्तंभों दोनों में। फिर यह अपनी अंतिम भविष्यवाणी करने से पहले प्रत्येक पंक्ति को एक कॉम्पैक्ट सारांश में संपीड़ित करता है। यह डिज़ाइन दो पहले के शोध मॉडल पर आधारित है: TabPFN, जिसे Prior Labs द्वारा विकसित किया गया था, जिसने अवधारणा को साबित किया लेकिन बड़ी तालिकाओं के साथ संघर्ष किया, और TabICL, फ्रांस के राष्ट्रीय डिजिटल अनुसंधान संस्थान से, जिसने बड़े डेटासेट को संभालने के लिए कुशल संपीड़न जोड़ा।
मॉडल ने कभी वास्तविक व्यावसायिक डेटा पर प्रशिक्षण नहीं लिया। गूगल ने इसे पूरी तरह सैकड़ों मिलियन कंप्यूटर-जनित, सिंथेटिक डेटासेट पर बनाया, जिसका अर्थ है कोई निजी ग्राहक रिकॉर्ड उपयोग नहीं किया गया।
TabArena पर, एक मानक मूल्यांकन सूट जो 51 विविध वास्तविक-दुनिया के डेटासेट को कवर करता है, TabFM की जीरो-शॉट भविष्यवाणियां, जिसका अर्थ है उस डेटा पर कोई पूर्व प्रशिक्षण के साथ की गई भविष्यवाणियां, भारी रूप से ट्यून किए गए पारंपरिक मॉडलों के बराबर या बेहतर थीं। गूगल सावधानी से नोट करता है कि इसका मतलब यह नहीं है कि TabFM एक विशेषज्ञ मॉडल के खिलाफ हर एक-एक मुकाबले में जीतता है जो एक विशिष्ट कार्य के लिए बनाया और अनुकूलित किया गया है।
एक वास्तविक ट्रेड-ऑफ है। पारंपरिक मॉडल बनाने में धीमे होते हैं लेकिन चलाने में तेज़ और सस्ते होते हैं। TabFM इसे पलट देता है। कोई प्रशिक्षण चरण नहीं है, लेकिन हर भविष्यवाणी के लिए मॉडल को संदर्भ के रूप में आपके सभी ऐतिहासिक रिकॉर्ड को फिर से पढ़ना पड़ता है। यह गणना की दृष्टि से भारी है। उन अनुप्रयोगों के लिए जिन्हें एक भुगतान टर्मिनल पर वास्तविक समय की धोखाधड़ी जांच जैसी एकल-अंकीय मिलीसेकंड में प्रतिक्रिया की आवश्यकता होती है, लेटेंसी आज एक समस्या हो सकती है।
एक छोटी टीम के लिए जिसे अगले सप्ताह तक एक कार्यशील बेसलाइन मॉडल की आवश्यकता है न कि अगले त्रैमासिक तक, गणना बिल्कुल अलग दिखती है।
