En ny forskningsartikel fra arXiv introducerer LLM-Detector, en metode der lader sprogmodeller opdage afvigelser i tabeldata ved hjælp af in-context learning – uden at skulle trænes eller finjusteres. Det kan ændre, hvordan virksomheder håndterer datakvalitet og svindeldetektion.
Traditionelle detektorer er afhængige af geometriske eller rekonstruktionssignaler, mens tidligere LLM-baserede tilgange typisk kræver finjustering med normale prøver eller genererer syntetiske anomalier. LLM-Detector konverterer i stedet normal træningsdata til statistiske opsummeringer, kausale afhængigheder og destillerede prototyper, som organiseres i en prompt til kodegenerering. Den resulterende scoring-motor evaluerer statistisk afvigelse, strukturel inkonsistens og densitetsbaseret abnormalitet og beregner en anomali-score for hver testprøve.
Metoden blev evalueret på 24 tabeldatasæt og sammenlignet med 15 state-of-the-art baseline-metoder. Resultaterne viser konsekvente forbedringer i både blandede og kontinuerlige indstillinger. Vigtigst: Designet eliminerer behovet for LLM-fine-tuning eller neural netværkstræning, hvilket reducerer beregningsomkostninger og muliggør praktisk anomalidetektion i realtidssystemer.
For beslutningstagere betyder det, at man kan implementere robust anomalidetektion uden de store investeringer i træningsinfrastruktur, som tidligere var nødvendige. Det gør teknologien tilgængelig for mindre teams og virksomheder, der ønsker at styrke deres dataovervågning uden at skulle ansætte specialiserede ML-ingeniører.
