Üretken Yapay Zeka ve Tablo Tabanlı Modellerin Kurumsal Süreçlerdeki Yeri

Yapay zeka teknolojileri kişilerin yazım, araştırma veya programlama gibi görevleri daha hızlı yapmasını sağlarken şirketler için operasyonel kâr artışı konusunda bazı zorluklar barındırıyor. McKinsey araştırmasına göre yapay zeka kullanıcılarının büyük bir kısmı bireysel verimlilik artışı bildirse de şirketlerin operasyonel kârını önemli ölçüde artıranların oranı oldukça düşük kalıyor. Bu durumun aşılması için şirketlerin riskleri, varsayılan durumları, kayıpları ve likidite baskılarını daha erken tespit edip yönetebilmesi gerekiyor.

Dil Modellerinin Sınırları ve Tablo Tabanlı Yapay Zeka

Yaygın büyük dil modelleri dil işleme konusunda başarılı olsa da şirketlerin en çok çalıştığı verilerle başa çıkmada sınırlamalarla karşılaşabiliyor. Satırlar, sütunlar ve sayılar arasındaki ilişkileri anlamayı gerektiren tablo tablosu muhakeme görevlerinde dil modelleri zayıf kalabiliyor. Tablolar kendi mantığını izler ve değerler sütünlar ile satırlar arasındaki ilişkilerle anlam kazanır. Tabular AI, bu ağ bağlantılı bağlamı tanımak ve müşteri siparişlerinden depo gereksinimlerini tahmin etmek gibi senaryolarda katma değer sunar.

Ölçeklenebilirlik ve SAP-RPT-1

Klasik makine öğrenimi yöntemleri her bir uygulama için ayrı ayrı geliştirilirken, tablo temel modelleri evrensel olarak uygulanabilir bir yapı sunar. Bu kapsamda sunulan SAP-RPT-1.6 gibi modeller sayesinde şirketler yüzlerce özelleştirilmiş model yerine tek bir modelle geçmiş örneklerden yararlanabilir. Prior Labs’in bünyeye katılmasıyla birlikte geliştirilen TabPFN-3 ve SAP Knowledge Graph gibi bileşenler, şirket verilerinden doğrudan yapılandırılmış tahminler elde edilmesini sağlayan bir altyapı oluşturur.

• Tabular AI: Yapılandırılmış verileri doğru ve açıklanabilir tahminlere dönüştüren yapay zeka yaklaşımı.
• Tabular foundation models: Farklı kullanım senaryoları arasında desenleri algılayan evrensel tabanlı modeller.