Nội dung chính
Google Research vừa giới thiệu TabFM, mô hình nền tảng cho phép dự đoán trên dữ liệu dạng bảng mà không cần huấn luyện lại từ đầu. Được công bố ngày 30/6, TabFM đọc trọn một bảng số liệu rồi trả về kết quả phân loại hoặc hồi quy chỉ trong một lượt tính toán, đưa tư duy “zero-shot” quen thuộc của các mô hình ngôn ngữ sang loại dữ liệu phổ biến nhất trong doanh nghiệp.
Dữ liệu dạng bảng — các cột và hàng trong file Excel, cơ sở dữ liệu hay kho dữ liệu — là xương sống của hầu hết bài toán dự đoán thực tế: từ dự báo khách hàng rời bỏ, chấm điểm tín dụng đến phát hiện giao dịch gian lận. Suốt nhiều năm, các thuật toán dựa trên cây quyết định như XGBoost, AdaBoost hay rừng ngẫu nhiên thống trị lĩnh vực này nhờ độ chính xác cao trên dữ liệu có cấu trúc.
Vấn đề nằm ở quy trình. Theo nhóm nghiên cứu Weihao Kong và Abhimanyu Das, việc khớp một mô hình XGBoost vào bộ dữ liệu mới không đơn giản là gọi một lệnh .fit(). Người làm dữ liệu phải bỏ ra vô số giờ tinh chỉnh siêu tham số và thiết kế đặc trưng thủ công cho từng lĩnh vực, chỉ để rút ra tín hiệu đáng tin cậy từ dữ liệu thô. TabFM sinh ra để cắt bỏ nút thắt đó.
TabFM biến dự đoán trên dữ liệu bảng thành bài toán học trong ngữ cảnh
Thay vì cập nhật tham số cho từng bộ dữ liệu, TabFM áp dụng cơ chế học trong ngữ cảnh (in-context learning) vốn giúp các mô hình ngôn ngữ lớn xử lý tác vụ mới chỉ bằng ví dụ trong đầu vào. Mô hình nhận toàn bộ bảng — gồm cả các hàng ví dụ đã có nhãn lẫn các hàng cần dự đoán — như một “câu lệnh” duy nhất, rồi tự suy ra quan hệ giữa các cột và hàng ngay tại thời điểm suy luận, không hề chỉnh sửa trọng số.
Điểm khó là bảng dữ liệu vốn hai chiều và không có thứ tự: đổi chỗ hai hàng hay hai cột không làm thay đổi ý nghĩa. Để xử lý, TabFM kết hợp hai kiến trúc TabPFN và TabICL thành thiết kế lai: đầu tiên là lớp chú ý luân phiên theo cột và theo hàng để nắm tương tác giữa các đặc trưng, sau đó nén thông tin mỗi hàng thành một vector, rồi mới đưa qua một Transformer học trong ngữ cảnh. Cách nén này giúp giảm mạnh chi phí tính toán ngay cả với bảng lớn.
Vì dữ liệu bảng chất lượng cao rất khan hiếm và thường chứa thông tin nhạy cảm, Google huấn luyện TabFM hoàn toàn trên hàng trăm triệu bộ dữ liệu tổng hợp, tạo ra bằng các mô hình nhân quả cấu trúc. Nhờ đó mô hình khái quát tốt sang bảng thật chưa từng thấy.
Trên bộ đánh giá TabArena — trải rộng 38 bộ dữ liệu phân loại và 13 bộ hồi quy, quy mô từ 700 đến 150.000 mẫu — Google cho biết TabFM vượt qua nhiều thuật toán chuẩn công nghiệp đã được tinh chỉnh kỹ. Bản TabFM cơ bản chạy một lượt duy nhất không cần tinh chỉnh, trong khi bản TabFM-Ensemble ghép 32 cấu hình để đẩy độ chính xác cao hơn. Trọng số mô hình đã có trên Hugging Face và GitHub, hiện dùng giấy phép phi thương mại.
Vì sao đội dữ liệu ở Việt Nam nên để mắt
Với doanh nghiệp Việt, dữ liệu dạng bảng có mặt ở khắp nơi: lịch sử giao dịch ngân hàng, đơn hàng thương mại điện tử, hồ sơ khách hàng của chuỗi bán lẻ. Nhiều đội ngũ nhỏ không có kỹ sư học máy chuyên trách vẫn phải dự đoán rủi ro tín dụng, ước lượng nhu cầu hay chấm điểm khách hàng tiềm năng. Một mô hình cho kết quả tức thì mà không đòi hỏi tinh chỉnh có thể rút ngắn đáng kể khoảng cách này.
Google cho biết TabFM sẽ được tích hợp thẳng vào BigQuery: trong vài tuần tới, người dùng có thể chạy phân loại và hồi quy bằng một câu lệnh SQL AI.PREDICT, không cần kiến thức học máy. Đây là hướng đi tương tự TimesFM — mô hình zero-shot cho chuỗi thời gian mà Google ra mắt trước đó — và cho thấy tham vọng đưa mô hình nền tảng vào các tác vụ dữ liệu đời thường.
Dù vậy, vẫn còn những điểm cần cân nhắc trước khi áp dụng. Giấy phép phi thương mại giới hạn việc dùng trọng số cho sản phẩm kinh doanh, công cụ và tài liệu đều bằng tiếng Anh, và mọi kết quả vẫn cần kiểm chứng trên dữ liệu thật cùng lưu ý về quyền riêng tư. TabFM không thay thế hoàn toàn XGBoost, nhưng đang hạ thấp rào cản để nhiều người hơn có thể khai thác giá trị từ những bảng số liệu mà họ vốn đã có.
Nguồn: Google Research, MarkTechPost.
Xem thêm: Cẩm nang công cụ AI 2026; Gemini là gì? Toàn tập AI của Google.
