O TabFM do Google aprende a prever dados em que nunca foi treinado

Pontos-chave

• O Google Research publicou o TabFM em 2025, um modelo fundamental que faz previsões em datasets completamente novos sem qualquer treinamento por dataset.
• O TabFM igualou ou superou modelos tradicionais altamente otimizados em 51 datasets de referência públicos em 38 tarefas de classificação e 13 de regressão.
• O modelo foi treinado inteiramente em centenas de milhões de datasets sintéticos gerados por computador, portanto nunca ingeriu dados reais de clientes ou empresas.
• A inferência, o passo em que o modelo realmente faz uma previsão, é mais pesada e mais lenta do que as abordagens tradicionais, o que as equipas precisam considerar.
• Weihao Kong, investigador do Google, disse à VentureBeat que o principal valor do modelo é a velocidade: previsões de alta qualidade sem necessidade de uma equipa dedicada de ciência de dados.

A maioria dos dados empresariais do mundo vive em folhas de cálculo, bases de dados e registos financeiros. Conseguir que um modelo de IA faça previsões úteis a partir desse tipo de dados, seja prevendo cancelamentos de clientes ou detectando transações fraudulentas, sempre exigiu muito trabalho manual primeiro.

Hoje, uma equipa do Google Research publicou uma nova abordagem chamada TabFM. O nome significa Modelo Fundamental Tabular, ou seja, um sistema de IA de propósito geral construído para lidar com o tipo de dados em linhas e colunas que encontraria em qualquer folha de cálculo.

A principal afirmação: o TabFM consegue prever resultados num dataset que nunca viu antes, sem qualquer treinamento personalizado. Você fornece os seus registos históricos e as novas linhas que quer compreender, e ele devolve uma previsão num único passo.

Porque é que isto é mais difícil do que parece?

O aprendizado automático tradicional, o tipo em que as empresas se têm baseado durante anos, exige que um especialista construa um pipeline personalizado para cada novo dataset. Isto significa limpar dados desordenados, codificar categorias como números, executar dezenas de configurações de teste para encontrar as melhores definições e, em seguida, monitorizar o modelo após o lançamento porque os dados do mundo real continuam a mudar. É lento, dispendioso e exige atenção contínua.

Pode perguntar-se: porque não pedir simplesmente a um modelo de linguagem grande existente, a tecnologia por trás de chatbots como ChatGPT e Claude, para ler a folha de cálculo diretamente? A resposta é que os modelos de linguagem foram construídos para texto, não para grelhas. Uma tabela de tamanho médio com alguns milhares de linhas ocupa rapidamente a sua memória. Os números ficam danificados porque o modelo os divide em fragmentos estranhos. E quando uma grelha bidimensional é achatada numa única linha de texto, o modelo começa a perder o controlo sobre qual número pertence a qual coluna.

"É por isso que, hoje em dia, é muito mais eficaz usar um LLM para escrever o código que trata da engenharia de características do que pedir ao LLM para ler a tabela em si," disse Kong.

O TabFM contorna isto mantendo a estrutura de grelha da tabela intacta durante todo o processo. Alterna a atenção, uma técnica em que o modelo verifica como cada valor se relaciona com os outros, nas linhas e colunas simultaneamente. Em seguida, comprime cada linha num resumo compacto antes de fazer a sua previsão final. O design baseia-se em dois modelos de investigação anteriores: TabPFN, desenvolvido pela Prior Labs, que provou o conceito mas teve dificuldades com tabelas grandes, e TabICL, do instituto nacional francês de investigação digital, que adicionou compressão eficiente para lidar com datasets maiores.

O modelo nunca treinou em dados empresariais reais. O Google construiu-o inteiramente em centenas de milhões de datasets sintéticos gerados por computador, o que significa que nenhuns registos privados de clientes foram utilizados.

No TabArena, um conjunto de avaliação padrão que abrange 51 datasets diversos do mundo real, as previsões de disparo zero do TabFM, ou seja, previsões feitas sem treinamento prévio nesse dados, igualaram ou superaram modelos tradicionais altamente otimizados. O Google tem o cuidado de notar que isto não significa que o TabFM ganhe em todas as comparações diretas contra um modelo especialista construído e otimizado para uma tarefa específica.

Existe uma negociação genuína. Os modelos tradicionais são lentos de construir mas rápidos e económicos de executar. O TabFM inverte isto. Não existe fase de treinamento, mas cada previsão requer que o modelo releia todos os seus registos históricos como contexto. Isto é computacionalmente pesado. Para aplicações que precisam de uma resposta em alguns milissegundos, como uma verificação de fraude em tempo real num terminal de pagamento, a latência pode ser um problema hoje.

Para uma pequena equipa que precisa de um modelo de base funcional para a próxima semana e não para o próximo trimestre, o cálculo é muito diferente.