Google ha presentat TabFM, un model fonamental que promet transformar la manera com les empreses aborden l’anàlisi de dades tabulars. A diferència dels mètodes tradicionals, que requereixen mesos de preparació de dades, enginyeria de característiques i ajust d’hiperparàmetres, TabFM permet fer prediccions directes sobre qualsevol taula nova sense necessitat de reentrenar el model. Aquest avenç, basat en l’aprenentatge en context (in-context learning), redueix el temps de producció de setmanes a una sola crida a l’API. Per entendre el seu impacte, cal comprendre les limitacions de l’aprenentatge automàtic convencional.
En el dia a dia d’una empresa, les dades resideixen en magatzems de dades, CRMs i llibres comptables. Construir un model fiable implica netejar entrades, imputar valors perduts, codificar variables categòriques i dissenyar interaccions de característiques. Tot aquest procés requereix equips de ciència de dades dedicats i una infraestructura complexa. A més, un cop desplegat, el model pateix deriva de dades (data drift), cosa que obliga a monitoritzar-lo i reentrenar-lo periòdicament. Google Research ha identificat aquest coll d’ampolla i ha proposat una alternativa radical: tractar la predicció tabular com un problema d’aprenentatge en context, on el model interpreta les relacions entre files i columnes directament a partir de les dades d’entrada, sense actualitzar els seus pesos.
Per què no utilitzar directament un model de llenguatge gran (LLM) per a aquesta tasca? Els LLM estan entrenats amb text natural, no amb dades estructurades. En convertir una taula en text, es perd la integritat estructural: els valors numèrics es tokenitzen de manera ineficient, la precisió matemàtica es degrada i el model és incapaç de mantenir la correspondència entre files i columnes a mesura que la taula creix. Com va assenyalar Weihao Kong, investigador de Google Research, “avui dia és més eficaç usar un LLM per escriure codi que truqui a XGBoost que demanar al LLM que llegeixi la taula directament”.
TabFM supera aquestes limitacions combinant el millor de dues arquitectures experimentals prèvies: TabPFN, que va demostrar la classificació zero-shot en taules petites, i TabICL, que va introduir la compressió de files per escalar a conjunts més grans. El model híbrid resultant es basa en tres mecanismes clau. Primer, una atenció alterna entre files i columnes que captura interaccions complexes de característiques sense intervenció manual. Segon, una compressió de files que condensa la informació contextualitzada en vectors densos, reduint dràsticament el cost computacional. Tercer, un transformador causal que opera sobre aquests vectors comprimits, permetent un aprenentatge en context eficient fins i tot amb milers de files.
L’entrenament de TabFM es va realitzar únicament amb conjunts de dades sintètics generats mitjançant models causals estructurals (SCM). Això significa que el model va aprendre els principis matemàtics fonamentals de com interactuen les característiques tabulars sense exposar-se a dades confidencials del món real. En els benchmarks públics de TabArena, que abasten 51 conjunts de dades de classificació i regressió, TabFM iguala o supera els models supervisats altament optimitzats, però Google adverteix que no pretén reemplaçar els models hiperoptimitzats en producció. El seu veritable valor està en la velocitat de desenvolupament: permet a analistes de dades i enginyers backend crear models baseline d’alta qualitat sense un equip dedicat de ciència de dades.
Per a les empreses que busquen extreure el màxim rendiment, existeix una configuració ensemble que executa 32 variacions del model i combina els resultats. No obstant, cal tenir en compte les compensacions. L’enfocament d’aprenentatge en context inverteix la relació de cost tradicional: l’entrenament es torna instantani, però la inferència és més pesada, ja que el model ha de processar tot el conjunt històric com a context en cada predicció. Això fa que TabFM no sigui adequat per a aplicacions que requereixen temps de resposta de milisegons, com les API d’alta freqüència. D’altra banda, és ideal per a prototipat ràpid, entorns amb alta deriva de dades i conjunts de fins a 100.000 files.
Des del punt de vista pràctic, Google ha dissenyat TabFM amb una API compatible amb scikit-learn (TabFMClassifier i TabFMRegressor), que funciona directament amb DataFrames de pandas i gestiona de forma nativa columnes numèriques i categòriques. El codi s’ha alliberat sota llicència Apache 2.0, però els pesos del model preentrenat estan sota una llicència no comercial. Per a ús comercial, Google està integrant TabFM a BigQuery, permetent executar prediccions zero-shot natives mitjançant l’ordre “AI.PREDICT”. Això apropa l’aprenentatge automàtic complex a una consulta bàsica de base de dades.
En aquest context de transformació, empreses com Q2BSTUDIO, especialitzada en desenvolupament d’aplicacions a mida, estan explorant com integrar models fonamentals com TabFM en les seves solucions d’intel·ligència artificial. La capacitat d’obtenir prediccions instantànies sense infraestructura prèvia obre noves possibilitats per automatitzar processos de negoci, detectar patrons de ciberseguretat o analitzar tendències comercials amb eines de BI com Power BI. A més, la combinació de TabFM amb serveis cloud com AWS o Azure permet escalar ràpidament sense invertir en maquinari propi. Els agents d’IA, cada cop més presents a les empreses, podrien beneficiar-se d’aquesta capacitat per prendre decisions en temps real basades en dades tabulars.
Tanmateix, els equips tècnics han de ser conscients de les limitacions actuals: el model només admet fins a 10 classes de classificació i està optimitzat per a taules amb menys de 500 característiques. Per a conjunts massius que superin el milió de files, el mostreig agressiu degrada el seu avantatge competitiu. Tot i això, TabFM representa un canvi de paradigma: passar de setmanes d’enginyeria de pipelines a minuts de configuració. Per a les empreses que busquen velocitat sense sacrificar precisió, aquest model fonamental pot ser l’accelerador que necessiten. A Q2BSTUDIO, la intel·ligència artificial aplicada a dades tabulars és un camp en plena evolució, i TabFM és una eina prometedora per democratitzar l’accés al machine learning d’alt nivell.
