IA pequeña pero potente

La ventaja decisiva de SAP RPT-1 sobre los populares LLM de OpenAI o Anthropic radica en la forma fundamental en que se procesan los datos. Los modelos lingüísticos convencionales son brillantes retóricos, pero a menudo fracasan estrepitosamente en aritmética simple o en la interpretación precisa de series de números. Cuando un LLM ve el número „1000“, a menudo lo descompone en tokens individuales, como „1“, „0“, „0“ y „0“, y lo trata como una secuencia de caracteres en lugar de como un valor matemático, lo que puede provocar notorias alucinaciones durante los cálculos.

RPT-1 y valores relacionales

En cambio, RPT-1 reconoce „1000“ como un único valor relacional, lo que aumenta enormemente la precisión al analizar datos empresariales como los que se encuentran en las tablas MARA de SAP o en las bases de datos de ventas. Allí donde un modelo basado en texto alucina o malinterpreta el contexto de una estructura de tabla compleja, RPT-1 actúa como un „GPT para tablas“ especializado que entiende de forma nativa la lógica semántica de filas y columnas sin tener que desviarse por el lenguaje. En el acalorado debate sobre la inteligencia artificial, que suele estar dominado por los todoterreno lingüísticamente adeptos de Silicon Valley como ChatGPT o Claude, SAP intenta recuperar terreno con una solución técnica de nicho que responde a la críptica abreviatura de RPT-1. Mientras el mundo contempla asombrado los grandes modelos lingüísticos (LLM) que escriben poesía y generan código, SAP se centra en su verdadero ADN: las tablas de bases de datos mundanas pero críticas para el negocio.

RPT-1, acrónimo de „Relational Pre-trained Transformer“, es un intento de transferir la tecnología Transformer que cimentó el éxito de OpenAI y Anthropic del mundo no estructurado del lenguaje al mundo altamente estructurado de los datos empresariales relacionales. Se trata del primer „modelo base“ real de SAP desarrollado específicamente para tablas y no para texto, por lo que supone una alternativa estratégicamente necesaria a los modelos basados en lenguaje de la competencia estadounidense. Otra gran ventaja radica en su eficiencia y en la eliminación de las largas fases de entrenamiento para tareas específicas. En el mundo tradicional del aprendizaje automático, las empresas tenían que entrenar y mantener un modelo específico para cada problema, ya fuera la predicción de la pérdida de clientes, la detección de fraudes o la planificación de la demanda, lo que consumía enormes recursos de los equipos de ciencia de datos.

Aprendizaje en contexto

El RPT-1 rompe con este paradigma mediante el llamado aprendizaje en contexto. El modelo no necesita memorizar los datos específicos del cliente ni someterse a un largo entrenamiento; en su lugar, lee los datos durante el tiempo de inferencia, realiza la predicción y „olvida“ los datos inmediatamente, de forma similar a un examen en el que el libro de texto se deja abierto sobre la mesa. Esto no sólo reduce drásticamente la dificultad de uso, sino que también reduce significativamente el consumo de recursos en comparación con los LLM hambrientos de tokens de los hiperescaladores, ya que no es necesario procesar enormes cantidades de texto.
Las posibles aplicaciones de este modelo apuntan justo al corazón de los procesos ERP. SAP está posicionando el RPT-1 para escenarios en los que la velocidad y la precisión son más importantes que la elocuencia. Una versión pequeña del modelo, la llamada Speedster, está optimizada para tiempos de latencia de milisegundos y está diseñada para bloquear transacciones fraudulentas en tiempo real, por ejemplo. Las versiones más grandes del modelo abordan tareas complejas como la predicción de cuellos de botella en la cadena de suministro o riesgos de pago. Tareas que las canalizaciones de ML convencionales suelen tardar horas en calcular, mientras que RPT-1 ofrece resultados casi al instante. El modelo también ofrece nuevos enfoques a la gestión de operaciones de TI para la supervisión técnica del propio entorno SAP, por ejemplo, para predecir si los trabajos por lotes o las interfaces fallarán a final de mes.

RPT-1 y LLM

Basándonos en las fuentes disponibles (https://community.sap.com/), la diferencia técnica entre SAP RPT-1 (Relational Pre-trained Transformer) y los enfoques LLM de OpenAI (como GPT) puede determinarse fundamentalmente por el tipo de procesamiento de datos y la arquitectura, véase el recuadro. Mientras que los modelos de OpenAI son modelos lingüísticos para datos de texto no estructurados, RPT-1 es un modelo básico especializado para datos empresariales estructurados y tabulares.

Sin embargo, a pesar de todas las sutilezas técnicas, es esencial una categorización crítica. En la comunidad SAP, RPT-1 se ve a veces con escepticismo como parte de una „teoría del caos de la IA“. Los críticos señalan que RPT-1 es en realidad un LLM de „vía estrecha“ que puede estar simplemente vendiendo vino viejo en botellas nuevas. Se sospecha que mecanismos como la „Biblioteca de Análisis Predictivo“ (PAL) de la base de datos Hana siguen utilizándose bajo el capó.
trabajo, complementado con términos modernos de marketing para no perder el contacto con el bombo de la IA.

Tablas Abap „sólo“

Además, por muy innovador que sea el enfoque de las tablas, RPT-1 está limitado en su gama de aplicaciones: Trabaja exclusivamente sobre tablas, no sobre texto o imágenes, y por tanto no es un sustituto, sino a lo sumo un complemento de los potentes modelos de OpenAI. Aunque SAP intenta recuperar la soberanía sobre la „semántica empresarial“ con RPT-1, queda por ver si este enfoque especializado será suficiente para hacer frente a la pura superioridad y velocidad de innovación de los gigantes de la IA generativa, que cada vez aprenden a manejar mejor los datos estructurados. RPT-1 es, por tanto, la apuesta de SAP para que, en el entorno ERP, las cifras desnudas cuenten en última instancia más que las buenas palabras. (pmf)

SAP RPT-1 frente a ChatGPT

Modalidad de los datos: tabla frente a texto. Con OpenAI (LLM), los modelos se entrenan para comprender y generar lenguaje natural. Trabajan con texto no estructurado. SAP RPT-1 se desarrolló específicamente para datos tabulares. Funciona como un „GPT para tablas“. Entiende la estructura de filas y columnas (como en las tablas SAP MARA o los datos de ventas) de forma nativa en lugar de interpretarlas como texto.

Tokenización y comprensión numérica (el problema de los „1000“): Una diferencia técnica reside en el tratamiento de los valores numéricos. Cuando OpenAI (LLM) ve el número „1000“, a menudo lo tokeniza y descompone en caracteres separados. El modelo intenta entonces realizar cálculos matemáticos basándose en estos caracteres de texto, lo que a menudo provoca alucinaciones o errores de cálculo. RPT-1 reconoce „1000“ como un único valor relacional. Entiende el significado matemático y el contexto del número dentro de la estructura de la tabla, lo que permite realizar predicciones más precisas de los datos empresariales.

Métodos de aprendizaje: Aprendizaje en contexto frente a ajuste fino. Para resolver tareas empresariales específicas, los LLM de OpenAI a menudo deben ajustarse con nuevos datos o requieren complejas arquitecturas RAG (Retrieval Augmented Generation) para obtener el contexto. SAP RPT-1 utiliza el aprendizaje en contexto. No es necesario utilizar el modelo para cada tarea.
(por ejemplo, predicción de bajas o detección de fraudes). Lee los datos en tiempo de ejecución (tiempo de inferencia), realiza la predicción y luego vuelve a „olvidarse“ de los datos.

Recursos y eficiencia: OpenAI (LLM) consume muchos recursos, consume muchos tokens y requiere una enorme potencia de cálculo (GPU) para procesar el contexto. SAP RPT-1 está optimizado para la estructura tabular, por lo que consume muchos menos recursos (tokens) y realiza menos operaciones computacionales (FLOPs). Es más eficiente para tareas como rellenar los valores que faltan en una base de datos o predecir series temporales.