NVIDIA Kumo Relational übertrifft überwachtes maschinelles Lernen bei relationalen Daten ohne Trainingsaufwand
huggingface ·
NVIDIA hat Kumo Relational vorgestellt, ein vortrainiertes Foundation-Modell, das Vorhersagen direkt auf relationalen Unternehmensdatenbanken ermöglicht, ohne dass eine aufgabenspezifische Schulung oder Feature-Engineering erforderlich ist. Durch die Nutzung von In-Context-Learning mit bis zu 10.000 historischen Beispielen führt das Modell Vorhersagen für Ergebnisse wie Kundenabwanderung, Nachfrage oder Betrug in einem einzigen Forward-Pass durch und berücksichtigt dabei Datenbankstrukturen wie Fremdschlüssel und Zeitstempel. Benchmarks über 41 Aufgaben hinweg zeigen, dass Kumo Relational überlegene Ergebnisse im Vergleich zu überwachten maschinellen Lernmodellen erzielt, einschließlich expertenentwickelter Gradient-Boosting-Bäume und AutoGluon-Ensembles, wobei eine höhere Genauigkeit bei deutlich schnelleren Inferenzzeiten erreicht wird. Das System funktioniert über eine Predictive Query Language-Schnittstelle, die es sowohl Menschen als auch KI-Agenten ermöglicht, Daten auf natürliche Weise abzufragen, während Datenlecks durch zeitliche Replay-Mechanismen vermieden werden. Basierend auf synthetischen relationalen Daten, die vom PluRel-Framework generiert wurden, skaliert das Modell auf Datenbanken mit über 500 Milliarden Zeilen unter Verwendung GPU-nativer Bibliotheken. Obwohl es in den meisten Szenarien hervorragend abschneidet, weisen die Autoren darauf hin, dass Fine-Tuning für Aufgaben mit extrem großen Trainingsdatensätzen erforderlich sein kann, bei denen spezifische überwachte Modelle die In-Context-Vorhersagen knapp übertreffen könnten. Die Technologie ist über NVIDIA's Open-Source-Bibliothek structured-data-models verfügbar und kann als NVIDIA NIM-Dienst bereitgestellt werden.
huggingface