Geleneksel makine öğrenimi yöntemlerinin aksine TabFM, her yeni veri seti için ayrı bir eğitim süreci gerektirmeden, daha önce hiç görmediği tablolar üzerinden tahminler yürütebiliyor.
Geleneksel Makine Öğrenimi ve LLM Sorunları
Sektörde yaygın olarak kullanılan gradyan artırımlı ağaçlar gibi modeller, karmaşık veri boru hatları, özellik mühendisliği ve sürekli hiperparametre optimizasyonu gerektiriyor. Bu durum, veri bilimcilerin haftalarca uğraşmasına ve veri kaymasıyla mücadele etmek için sürekli yeniden eğitim süreçleri işletmesine neden oluyor.
Güncel büyük dil modelleri (LLM) ise yapılandırılmış verileri işlemede yetersiz kalıyor. LLM'lerin metin odaklı olması, sayısal değerlerin tokenizasyon sırasında bozulmasına, yüksek bellek kullanımına ve tablolar metin dizisine dönüştürüldüğünde yapısal körlük yaşanmasına yol açıyor.
TabFM ile Tek API Çağrısıyla Tahmin
TabFM, tablo tahminlemeyi bir bağlam içi öğrenme (in-context learning) problemi olarak ele alıyor. Sistem, model ağırlıklarını güncellemek yerine, geçmiş örnekleri ve hedef satırları tek bir birleşik istem olarak alıyor. Model, satırlar ve sütunlar arasındaki ilişkileri çalışma anında doğrudan bu bağlamdan çözümleyebiliyor.
Örneğin müşteri kaybı tahmini yapmak isteyen bir analist, özel bir veri boru hattı kurmak veya model eğitmek yerine, geçmiş kullanıcı verilerini ve yeni oturum bilgilerini TabFM'e aktarıp anında olasılık değerine ulaşabiliyor. Bu yöntem, üretim sürecine geçiş süresini haftalardan tek bir API çağrısına indiriyor.
Yapısal Bütünlük ve Teknolojik Altyapı
TabFM, verileri tek boyutlu bir metin dizisine zorlamak yerine bir ızgara olarak işleyerek yapısal bütünlüğü koruyor. Model, ölçeklenebilir sıfır-atışlı (zero-shot) tahmin yapabilmek için TabPFN ve TabICL gibi öncü mimarilerin güçlü yönlerini birleştiriyor. TabPFN küçük tablolarda başarı sağlarken, TabICL satır sıkıştırma yöntemiyle hesaplama darboğazlarını aşmayı başarmıştı.
Yorumlar (0)
Henüz yorum yok. İlk yorumu siz yazın.