LLMs: introductie in modellen voor spreadsheetvoorspellingen

Samenvatting

LLMs maken ongeziene spreadsheetvoorspellingen met tabular modellen die getrainde XGBoost overschrijden.

Tabular LLMs: wat er gebeurt

Dit artikel introduceert Tabular LLMs, krachtige pretrained transformer-modellen die voorspellingen in spreadsheets zonder enige training kunnen maken. Een model met 28 miljoen parameters, TabICLv2, verslaat de best afgestelde gradient-boosted trees op belangrijke benchmarks. Het model maakt gebruik van een drie-staps pijplijn om tabulaire gegevens in één keer te verwerken en nauwkeurige voorspellingen te doen zonder specifieke datatraining.

Waarom dit belangrijk is

Tabular LLMs veranderen de manier waarop machine learning wordt toegepast op tabulaire gegevens, aangezien ze traditionele methoden zoals gradient-boosted trees overtreffen zonder de noodzaak voor tuning. Dit illustreert een verschuiving naar grootschalige modellen die generaliseerbare prestaties leveren over verschillende datasets. De opkomst van deze modellen vertegenwoordigt een nieuwe trend waarin machine learning toegankelijker wordt voor niet-experts, doordat ze gemakkelijk kunnen worden toegepast zonder aanzienlijke modelaanpassing.

Concrete takeaway

BI-professionals moeten Tabular LLMs in de gaten houden voor hun potentieel om IT-kosten te verlagen en modelleringstijdsbestekken te versnellen, vooral voor organisaties die met grote hoeveelheden tabellaire gegevens werken.