Google Research, 표 형식 데이터용 기초모델 TabFM 공개

Google Research 공식 블로그에 따르면 회사는 2026년 6월 30일 표 형식 데이터의 분류와 회귀 작업을 위한 기초모델 TabFM을 공개했다. Google은 TabFM이 새로운 데이터셋마다 모델을 다시 학습하거나 하이퍼파라미터를 조정하는 절차를 줄이고, 표 데이터를 입력 문맥으로 읽어 예측을 수행하도록 설계됐다고 설명했다.

TabFM은 기업 데이터 분석에서 흔히 쓰이는 표 형식 데이터를 겨냥한다. 고객 이탈 예측, 금융 사기 탐지, 가격 예측처럼 행과 열로 구성된 데이터는 오랫동안 XGBoost, 랜덤포레스트 같은 지도학습 모델이 강점을 보여온 영역이다. 다만 실제 운영에서는 데이터셋별 특성 공학, 반복 학습, 튜닝 작업이 필요해 분석 인력과 시간이 꾸준히 들어간다.

Google은 TabFM이 이 문제를 인컨텍스트 러닝 방식으로 접근한다고 밝혔다. 모델은 과거 학습 행과 예측 대상 행을 하나의 문맥으로 받아들이고, 행과 열 사이의 관계를 추론해 분류 또는 회귀 결과를 생성한다. 이를 위해 행·열 방향 어텐션, 행 압축, 압축된 행 표현을 처리하는 Transformer 구조를 결합했다.

학습 데이터도 특징적이다. Google은 산업 현장의 대규모 표 데이터가 민감하거나 비공개인 경우가 많아 공개 학습 데이터 확보가 어렵다고 설명했다. TabFM은 구조적 인과 모델을 활용해 만든 대규모 합성 표 데이터로 학습됐으며, Google은 이 접근이 실제 표 데이터의 다양한 분포와 특징 관계를 반영하도록 설계됐다고 밝혔다.

공개 범위도 확인됐다. Google Research GitHub 저장소에 따르면 TabFM은 scikit-learn 호환 인터페이스를 제공하며, JAX와 PyTorch 백엔드를 선택해 사용할 수 있다. 저장소는 TabFM이 Google의 공식 지원 제품은 아니라고 명시했다. Hugging Face에는 `google/tabfm-1.0.0-pytorch` 모델 카드가 공개돼 있으며, 사용 조건은 해당 라이선스를 따르도록 안내돼 있다.

Google은 TabFM을 BigQuery에 통합해 SQL의 `AI.PREDICT` 명령으로 회귀와 분류 작업을 수행할 수 있게 할 계획이라고 밝혔다. 다만 공식 블로그는 이를 향후 몇 주 안에 제공할 예정이라고만 설명해 구체적인 서비스 적용일은 아직 확인되지 않았다.

이번 공개는 표 데이터 분석에서도 기초모델 접근이 확산되고 있음을 보여준다. 텍스트와 이미지 중심으로 발전해온 인컨텍스트 러닝이 기업 데이터베이스와 분석 워크플로로 이동하면, 모델 개발 경험이 적은 사용자의 예측 분석 진입 장벽은 낮아질 수 있다. 반대로 민감 데이터 처리, 예측 근거 설명, 기존 튜닝 모델 대비 비용과 정확도 검증은 실제 도입 전 따져야 할 과제로 남는다.

출처: Google Research Blog https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/ ; Google Research GitHub https://github.com/google-research/tabfm ; Hugging Face https://huggingface.co/google/tabfm-1.0.0-pytorch