Il TabFM di Google impara a predire da dati su cui non si è mai allenato

Punti chiave

• Google Research ha pubblicato TabFM nel 2025, un modello foundation che fa previsioni su dataset completamente nuovi senza alcun addestramento per-dataset.
• TabFM ha eguagliato o superato modelli tradizionali pesantemente ottimizzati su 51 dataset pubblici di benchmark, attraverso 38 compiti di classificazione e 13 di regressione.
• Il modello è stato allenato interamente su centinaia di milioni di dataset sintetici generati da computer, quindi non ha mai ingerito dati reali di clienti o aziende.
• L'inferenza, ossia il passaggio in cui il modello effettivamente fa una previsione, è più pesante e lenta rispetto agli approcci tradizionali, cosa che i team devono pianificare.
• Il ricercatore di Google Weihao Kong ha detto a VentureBeat che il valore principale del modello è la velocità: previsioni di alta qualità senza un team di data science dedicato.

La maggior parte dei dati aziendali mondiali risiede in fogli di calcolo, database e registri finanziari. Far fare a un modello AI previsioni utili da quel tipo di dati, che si tratti di prevedere cancellazioni di clienti o di individuare transazioni fraudolente, ha sempre richiesto molto lavoro manuale preliminare.

Oggi, un team di Google Research ha pubblicato un nuovo approccio chiamato TabFM. Il nome sta per Tabular Foundation Model, cioè un sistema AI di uso generale costruito per gestire il tipo di dati in righe e colonne che troverai in qualsiasi foglio di calcolo.

L'affermazione chiave: TabFM può predire risultati su un dataset che non ha mai visto prima, senza alcun addestramento personalizzato. Gli fornisci i tuoi record storici e le nuove righe che vuoi analizzare, e restituisce una previsione in un passaggio.

Perché è più difficile di quello che sembra?

Il machine learning tradizionale, di cui le aziende si sono affidate per anni, richiede a uno specialista di costruire una pipeline su misura per ogni nuovo dataset. Questo significa pulire dati disordinati, codificare categorie come numeri, eseguire decine di configurazioni di test per trovare le migliori impostazioni, e poi monitorare il modello dopo il lancio perché i dati del mondo reale continuano a cambiare. È lento, costoso e richiede attenzione continua.

Potresti chiederti: perché non chiedere a un modello di linguaggio di grandi dimensioni esistente, la tecnologia dietro chatbot come ChatGPT e Claude, di leggere il foglio di calcolo direttamente? La risposta è che i modelli di linguaggio sono stati costruiti per il testo, non per le griglie. Una tabella di medie dimensioni con poche migliaia di righe riempie rapidamente la loro memoria. I numeri vengono rovinati perché il modello li divide in frammenti strani. E una volta che una griglia bidimensionale viene appiattita in una singola riga di testo, il modello inizia a perdere traccia di quale numero appartiene a quale colonna.

"Ecco perché, oggi, è molto più efficace usare un LLM per scrivere il codice che gestisce l'ingegneria delle caratteristiche piuttosto che chiedere all'LLM di leggere la tabella stessa", ha detto Kong.

TabFM lo evita mantenendo la struttura della griglia della tabella intatta durante l'intero processo. Alterna l'attenzione, una tecnica in cui il modello controlla come ogni valore si relaziona agli altri, attraverso righe e colonne contemporaneamente. Poi comprime ogni riga in un sommario compatto prima di fare la sua previsione finale. Il design si ispira a due modelli di ricerca precedenti: TabPFN, sviluppato da Prior Labs, che ha provato il concetto ma ha avuto difficoltà con tabelle grandi, e TabICL, dall'istituto nazionale francese di ricerca digitale, che ha aggiunto compressione efficiente per gestire dataset più grandi.

Il modello non è mai stato allenato su dati aziendali reali. Google l'ha costruito interamente su centinaia di milioni di dataset sintetici generati da computer, il che significa che non sono stati utilizzati record privati di clienti.

Su TabArena, una suite di valutazione standard che copre 51 dataset diversi del mondo reale, le previsioni zero-shot di TabFM, cioè previsioni fatte senza alcun addestramento preliminare su quei dati, hanno eguagliato o superato modelli tradizionali pesantemente ottimizzati. Google sottolinea attentamente che questo non significa che TabFM vinca ogni confronto diretto contro un modello specializzato costruito e ottimizzato per un compito specifico.

C'è un autentico compromesso. I modelli tradizionali sono lenti da costruire ma veloce ed economico da eseguire. TabFM capovolge questo. Non c'è fase di addestramento, ma ogni previsione richiede al modello di rileggere tutti i tuoi record storici come contesto. Questo è computazionalmente pesante. Per applicazioni che hanno bisogno di una risposta in millisecondi a una o due cifre, come un controllo antifrode in tempo reale a un terminal di pagamento, la latenza potrebbe essere un problema oggi.

Per un piccolo team che ha bisogno di un modello baseline funzionante la prossima settimana piuttosto che il prossimo trimestre, il calcolo appare molto diverso.