Según MarkTechPost (AI/ML News), Google Research ha presentado TabFM, un modelo de base para datos en formato tabular diseñado para realizar clasificación y regresión sin necesidad de entrenamiento específico ni ingeniería de características. Este avance permite obtener predicciones directas sobre tablas nunca vistas, mediante una sola pasada de cálculo. La solución se basa en una arquitectura híbrida que combina atención por filas y columnas, inspirada en TabPFN, con técnicas de aprendizaje en contexto, similares a las usadas en modelos de lenguaje. La capacidad de operar en modo cero-shot se logra al procesar el conjunto completo de datos como un solo prompt, sin modificar pesos internos.
El modelo fue entrenado con cientos de millones de conjuntos sintéticos generados mediante modelos causales estructurales, lo que le otorga generalidad y estabilidad en diversas tareas. Su estructura incorpora un enfoque de difusión bloqueado, que mejora el manejo de caché de claves-valor (KV), permite salidas de longitud variable y alcanza un nivel de perplexidad superior al de modelos existentes en difusión. Actualmente, TabFM está disponible en plataformas abiertas como Hugging Face y GitHub, facilitando su acceso a investigadores y desarrolladores. Google planea integrar el modelo en BigQuery mediante una nueva sentencia SQL, AI.PREDICT, que permitirá a los usuarios aplicar predicciones directas en consultas de datos estructurados.
Este desarrollo representa una ruptura en el enfoque tradicional de modelado en tablas, donde herramientas como XGBoost o random forests requieren horas de optimización de hiperparámetros y preparación de características para obtener resultados confiables. En el caso de empresas peruanas, donde los datos de clientes, transacciones o inventarios están organizados en tablas estructuradas, TabFM puede transformar el tiempo y esfuerzo dedicado a la creación de modelos predictivos. Muchas instituciones del sector privado o público aún dependen de procesos manuales y laboriosos para detectar fraudes, predecir morosidad o evaluar riesgos. Con TabFM, se reduce significativamente el tiempo de desarrollo de soluciones, permitiendo una respuesta más ágil ante cambios en el entorno operativo.
Para el lector peruano, este avance en inteligencia artificial no es solo una novedad técnica, sino una herramienta que puede democratizar el acceso a modelos predictivos. Aunque aún no está disponible en entornos locales, su integración en plataformas como BigQuery podría abrir puertas a empresas que gestionan grandes volúmenes de datos sin equipos especializados en machine learning. El modelo representa una vía más sencilla para convertir información estructurada en decisiones inteligentes, sin necesidad de formación profunda previa. Así, empresas de retail, servicios financieros o logística podrían aplicar predicciones en tiempo real, mejorando eficiencia y reduciendo riesgos en operaciones cotidianas.