Courtesy of Forbes

Tabular Foundation Models: Kunci AI Masa Depan Untuk Data Terstruktur Industri

Mengenalkan dan menyoroti potensi tabular foundation models (TFM) sebagai solusi AI generatif yang dirancang khusus untuk data terstruktur, sehingga membuka peluang besar industri jasa keuangan, asuransi, dan kesehatan dalam mengadopsi AI dengan lebih cepat, efisien, dan andal.

16 Jan 2026, 02.46 WIB

99 dibaca

Ikhtisar 15 Detik

Model dasar tabular dapat mengubah cara industri terstruktur menganalisis data.
Startup dapat memanfaatkan potensi besar di pasar data terstruktur yang belum sepenuhnya terjangkau oleh AI generatif.
Keberhasilan model dasar tabular bergantung pada integrasi yang baik dengan alur kerja perusahaan dan pemahaman tentang ROI.

Industri yang bergantung pada dokumen dan teks sudah banyak merasakan manfaat AI generatif, namun industri berbasis data terstruktur seperti keuangan, asuransi, dan manufaktur masih belum banyak mengadopsinya karena kompleksitas data dan modelnya. Saat ini, AI di bidang ini masih memerlukan banyak model khusus yang sulit dikelola dan mahal.

Model bahasa besar (LLM) yang hebat dalam memahami bahasa alami ternyata kurang efektif ketika diterapkan pada data tabular karena mereka hanya memproses data tersebut sebagai teks biasa tanpa menangkap hubungan penting antar kolom dan makna numerik yang mendalam. Cara saat ini yang paling banyak digunakan adalah model membuat kode SQL atau Python untuk menjalankan analisis, yang sering rapuh dan mudah salah.

Tabular foundation models (TFM) adalah model AI generatif yang dirancang khusus untuk data terstruktur. Model ini bisa menangani data yang berantakan, hilang, dan tidak konsisten tanpa perlu fitur engineering rumit atau pemilihan model yang rumit. Beberapa startup sudah mulai mengembangkan berbagai solusi TFM untuk berbagai kebutuhan industri.

TFM menawarkan keuntungan besar secara operasional karena bisa menggantikan berbagai model khusus tugas yang terpisah menjadi satu model generalistik yang kuat. Ini akan menurunkan biaya, mengurangi kompleksitas, dan mempercepat implementasi AI di organisasi besar dengan data yang sangat beragam dan kompleks.

Dengan adanya TFM, masalah yang sebelumnya memerlukan waktu dan sumber daya besar untuk dianalisis bisa diselesaikan dengan lebih cepat dan akurat. Ini membuka peluang besar bagi perusahaan startup serta sektor keuangan, kesehatan, dan asuransi untuk mengadopsi AI secara lebih luas dan menjadikannya bagian penting dari keputusan bisnis mereka.

Referensi:
[1] https://www.forbes.com/sites/rociowu/2026/01/15/from-text-to-tables-why-structured-data-is-ais-next-600b-frontier/

Analisis Ahli

Andrew Ng

"TFM adalah lompatan besar berikutnya setelah LLM karena menangani tantangan fundamental dalam pemahaman data terstruktur, sebuah area yang kritikal untuk bisnis dan pengambilan keputusan."

Fei-Fei Li

"Kemampuan untuk mengolah data tabular tanpa preprocessing yang ekstensif adalah kunci agar AI bisa lebih aplikatif di dunia nyata, terutama di industri dengan data kompleks dan beragam."

Analisis Kami

"Tabular foundation models bisa mengubah paradigma pengolahan data terstruktur yang selama ini terfragmentasi dan terisolasi di berbagai sistem. Dengan kemampuan mereka yang adaptif terhadap berbagai tipe dan kualitas data, TFM akan mempercepat adopsi AI secara mendalam di sektor-sektor yang selama ini tertinggal, membawa transformasi operasional yang nyata."

Prediksi Kami

Dalam beberapa tahun ke depan, TFM akan menjadi standar industri untuk pengolahan dan analisis data terstruktur, memungkinkan perusahaan besar mengoptimalkan keputusan bisnis mereka dengan efisiensi lebih tinggi dan risiko kesalahan yang lebih rendah.

Pertanyaan Terkait

Apa itu model dasar tabular?

Model dasar tabular adalah model AI yang dirancang untuk menganalisis data terstruktur seperti tabel dan kolom, mirip dengan cara LLM berfungsi untuk teks.

Mengapa industri keuangan dan kesehatan lambat dalam mengadopsi AI generatif?

Industri keuangan dan kesehatan lambat dalam mengadopsi AI generatif karena mereka masih mengandalkan ribuan model machine learning spesifik tugas dan memiliki banyak sistem yang terfragmentasi.

Apa keuntungan dari model dasar tabular dibandingkan model machine learning tradisional?

Model dasar tabular dapat menangani data yang kotor dan heterogen tanpa memerlukan rekayasa fitur atau pemilihan model yang rumit, sehingga lebih efisien.

Sebutkan beberapa masalah yang dapat diselesaikan dengan model dasar tabular di sektor kesehatan?

Di sektor kesehatan, model dasar tabular dapat digunakan untuk stratifikasi risiko pasien dan prediksi diagnosis.

Mengapa distribusi dan model bisnis penting untuk startup yang mengembangkan model dasar tabular?

Distribusi dan model bisnis penting karena keunggulan teknis saja tidak cukup; model harus terintegrasi dengan alur kerja perusahaan dan menunjukkan ROI yang jelas.