Les entreprises parlent beaucoup de textes, d’images et d’agents conversationnels. Pourtant, une grande partie de leurs décisions repose toujours sur une forme de donnée beaucoup moins spectaculaire : le tableau. Lignes de clients, colonnes de transactions, dossiers médicaux structurés, mesures industrielles ou historiques de sinistres alimentent depuis des années les modèles de prédiction.
Google Research veut appliquer à cet univers la logique des modèles de fondation. Présenté le 30 juin 2026, TabFM est conçu pour effectuer des tâches de classification et de régression sur une table jamais rencontrée auparavant, sans réentraîner ses paramètres pour chaque nouveau jeu de données.
L’ambition est importante. Aujourd’hui, bâtir un modèle performant sur des données tabulaires exige généralement de nettoyer les variables, choisir un algorithme, rechercher de bons hyperparamètres, valider le résultat et recommencer lorsque les données changent. TabFM promet de déplacer une partie de ce travail vers un modèle préentraîné capable d’apprendre la tâche directement à partir des exemples qui lui sont fournis au moment de la prédiction.
Les tableaux restent le socle discret du machine learning
Une donnée tabulaire se présente sous forme de lignes et de colonnes. Chaque ligne correspond, par exemple, à un client, un patient ou une transaction. Les colonnes décrivent ses caractéristiques : âge, catégorie de produit, revenu, résultat d’un examen ou montant d’un achat.
Deux grandes familles de tâches dominent. La classification attribue une catégorie : fraude ou transaction légitime, client susceptible ou non de partir, défaut de paiement probable ou improbable. La régression prédit une valeur continue, comme un prix, une consommation électrique ou une durée.
Dans ce domaine, les méthodes fondées sur des arbres de décision, notamment XGBoost, les forêts aléatoires et d’autres variantes de gradient boosting, restent des références. Elles fonctionnent bien sur des données hétérogènes, tolèrent des relations non linéaires et demandent souvent moins de données que de grands réseaux neuronaux.
Leur efficacité ne rend pas leur mise en production automatique. Il faut sélectionner les variables, gérer les valeurs manquantes, encoder les catégories, ajuster de nombreux paramètres et vérifier que le modèle généralise. Cette étape est parfaitement maîtrisable par une équipe expérimentée, mais elle se répète pour chaque nouveau problème.
Ce que « zero-shot » signifie dans TabFM
Le terme peut prêter à confusion. TabFM ne prédit pas sans aucune donnée historique. Il reçoit des lignes d’entraînement accompagnées de leur résultat connu, puis les lignes pour lesquelles une prédiction est demandée. La différence est qu’il utilise ces exemples comme contexte au lieu de modifier ses propres poids.
Cette approche est appelée apprentissage en contexte, ou in-context learning. Un grand modèle de langage peut comprendre une nouvelle consigne à partir de quelques exemples placés dans son prompt. TabFM applique une idée comparable à une table : les exemples connus décrivent implicitement la relation à apprendre, et le modèle l’utilise immédiatement pour traiter les nouvelles lignes.
Google décrit l’opération comme un passage unique dans le réseau. Il n’y a donc pas de boucle d’entraînement spécifique au jeu de données, ni de recherche d’hyperparamètres pour la configuration standard. Le mot « zero-shot » désigne ici l’absence d’entraînement des paramètres sur la nouvelle table, pas l’absence d’exemples étiquetés.
Le dépôt fournit d’ailleurs une interface compatible avec scikit-learn et conserve une méthode fit(). Cette méthode prépare notamment l’encodage des catégories et la normalisation des variables numériques. Elle ne transforme pas pour autant TabFM en modèle supervisé classique : les poids du modèle de fondation restent inchangés.
Une architecture qui regarde alternativement lignes et colonnes
Une table pose un problème différent d’une phrase. Dans un texte, l’ordre des mots compte. Dans une table, permuter deux lignes ne devrait pas changer le sens du jeu de données. Permuter les colonnes ne devrait pas non plus modifier la relation qu’elles représentent, à condition de conserver leur contenu.
TabFM utilise une architecture hybride inspirée notamment de TabPFN et de TabICL. Son premier mécanisme applique alternativement l’attention sur les colonnes puis sur les lignes. Le modèle peut ainsi repérer les interactions entre variables et comparer les exemples entre eux.
Chaque ligne est ensuite compressée dans un vecteur dense. Un Transformer travaille enfin sur la séquence de ces représentations compactes. Cette compression est essentielle : appliquer l’attention directement à toutes les cellules deviendrait rapidement coûteux lorsque le nombre de lignes ou de colonnes augmente.
En pratique, le système suit trois étapes :
- il contextualise chaque cellule en observant les relations dans les deux dimensions de la table ;
- il résume l’information de chaque ligne ;
- il apprend la tâche à partir des lignes connues et produit les prédictions pour les lignes cibles.
Cette organisation cherche à remplacer une partie du travail de création manuelle de variables. Là où un data scientist construirait, par exemple, un ratio entre deux colonnes ou une interaction entre une catégorie et une valeur, le modèle tente de découvrir seul les relations utiles dans le contexte.
Des centaines de millions de tables entièrement synthétiques
Les modèles de fondation pour le texte bénéficient d’une immense quantité de documents publics. Les données tabulaires industrielles sont beaucoup moins accessibles. Les tables les plus intéressantes contiennent souvent des informations commerciales, médicales ou financières confidentielles, ainsi que des schémas propres à chaque organisation.
Google a donc préentraîné TabFM uniquement sur des données synthétiques. Des modèles causaux structurels génèrent dynamiquement des centaines de millions de jeux de données avec des distributions, des fonctions et des relations variées.
L’objectif n’est pas de reproduire un secteur précis, mais d’exposer le réseau à une grande diversité de problèmes mathématiques. Si l’entraînement couvre suffisamment de structures, TabFM peut reconnaître sur une table réelle une relation analogue à celles apprises dans les données artificielles.
Cette stratégie présente aussi un avantage méthodologique : elle limite le risque qu’un jeu de test public ait été mémorisé pendant le préentraînement. Elle ne garantit cependant pas une généralisation parfaite. Une table réelle peut contenir des mécanismes rares, des biais historiques, des valeurs manquantes particulières ou une dérive temporelle absente des générateurs synthétiques.
Des résultats prometteurs, avec deux configurations à distinguer
Google a évalué TabFM dans TabArena, un benchmark évolutif qui compare les modèles par confrontations et calcule un score de type Elo. L’évaluation citée couvre 38 jeux de classification et 13 jeux de régression, comprenant entre 700 et 150 000 observations.
L’annonce présente deux versions. TabFM fonctionne directement, en un seul passage, sans validation croisée ni réglage. TabFM-Ensemble ajoute des variables croisées, une décomposition en valeurs singulières et un ensemble de 32 prédictions dont les poids sont optimisés. Pour la classification, cette version applique aussi une étape de calibration.
La distinction compte. Les performances maximales montrées par un ensemble enrichi ne mesurent pas exactement la promesse la plus simple du zero-shot. La configuration standard répond à la question « que vaut le modèle sans réglage ? ». L’ensemble répond plutôt à « jusqu’où peut-on pousser cette base avec des traitements supplémentaires ? ».
Selon Google, TabFM se place devant des algorithmes supervisés fortement réglés sur cette évaluation. Le résultat est notable, mais il reste produit par l’équipe qui publie le modèle. Une organisation devra comparer TabFM à ses propres références sur ses données, avec le même protocole de validation, le même budget de calcul et les mêmes contraintes de latence.
BigQuery pourrait rendre la prédiction tabulaire beaucoup plus accessible
TabFM est disponible sous forme de code et de poids compatibles avec JAX et PyTorch. Google prévoit aussi de l’intégrer à BigQuery. Dans les semaines suivant l’annonce, les utilisateurs devraient pouvoir lancer une classification ou une régression au moyen d’une commande AI.PREDICT en SQL.
Cette intégration pourrait avoir plus d’impact que le dépôt de recherche lui-même. De nombreuses données d’entreprise résident déjà dans des entrepôts analytiques. Si une équipe peut produire une première prédiction sans exporter la table, construire un pipeline d’entraînement et maintenir une infrastructure séparée, le coût d’expérimentation baisse fortement.
Cela ne supprime pas le besoin d’expertise. Il faut toujours choisir une cible pertinente, éviter les fuites entre variables, construire un découpage temporel correct et décider quelle métrique correspond au risque métier. Une prédiction techniquement précise peut rester inutile si la cible est mal définie ou si son utilisation crée une décision injuste.
Les limites pratiques derrière la simplicité annoncée
Le premier risque concerne la taille et le calcul. Le modèle doit lire les exemples historiques dans son contexte au moment de l’inférence. La compression des lignes réduit le coût, mais elle ne rend pas gratuite l’analyse de tables volumineuses. Les performances observées jusqu’à 150 000 lignes ne garantissent pas le même comportement sur des entrepôts contenant des centaines de millions d’enregistrements.
La confidentialité constitue un deuxième point. Une approche en contexte consomme directement les données d’entraînement au moment de la prédiction. Pour des dossiers médicaux, financiers ou RH, l’environnement d’exécution, les journaux et les règles de conservation doivent être examinés avec autant de soin que pour un pipeline classique.
L’explicabilité reste également ouverte. Les arbres de décision disposent d’un écosystème mature d’outils d’interprétation et d’analyse des variables. Un modèle de fondation tabulaire peut être plus difficile à auditer, notamment lorsqu’une décision touche au crédit, au recrutement ou à la santé.
Enfin, le statut de la publication impose de la prudence. Le dépôt précise qu’il ne s’agit pas d’un produit Google officiellement pris en charge. Le code est publié dans un dépôt sous licence Apache 2.0, mais les poids distribués sur Hugging Face sont soumis à une licence TabFM non commerciale. Celle-ci autorise la recherche, les tests et l’évaluation, mais pas un déploiement en production ou une utilisation commerciale sans licence supplémentaire.
Le modèle ne remplace pas le data scientist, il déplace son travail
Si TabFM tient ses promesses sur des cas réels variés, son intérêt principal ne sera pas de supprimer les méthodes classiques du jour au lendemain. Il pourrait fournir une référence immédiate, accélérer les prototypes et permettre à une équipe de savoir rapidement si une table contient un signal prédictif exploitable.
Le travail humain se déplace alors du réglage d’un algorithme vers la qualité du problème : origine des données, validité de la cible, risques de fuite, choix de la métrique, robustesse dans le temps et conséquences de la décision. Ces questions sont moins visibles qu’une recherche d’hyperparamètres, mais elles déterminent davantage la fiabilité d’un système.
TabFM porte ainsi une évolution profonde du machine learning appliqué. Les modèles de fondation ne se limitent plus aux médias non structurés. Ils commencent à entrer dans les tables qui font fonctionner les banques, les hôpitaux, les usines et les services en ligne. La promesse est une prédiction plus accessible ; l’enjeu reste de savoir quand elle mérite confiance.
Références
- Google Research, « Introducing TabFM: A zero-shot foundation model for tabular data », 30 juin 2026
- Google Research, dépôt officiel TabFM sur GitHub
- Google, poids TabFM 1.0.0 et licence sur Hugging Face
- TabArena, benchmark évolutif pour le machine learning tabulaire
