Kumo Relational de NVIDIA surpasse l'apprentissage automatique supervisé sur les données relationnelles sans entraînement requis
huggingface ·
NVIDIA a présenté Kumo Relational, un modèle fondamental pré-entraîné conçu pour effectuer des prédictions directement sur les bases de données relationnelles d'entreprise sans nécessiter d'entraînement spécifique à la tâche ni d'ingénierie des fonctionnalités. En exploitant l'apprentissage par contexte avec jusqu'à 10 000 exemples historiques, le modèle réalise des prédictions en un seul passage avant pour des résultats tels que le churn, la demande ou la fraude, tout en respectant les structures de base de données comme les clés étrangères et les horodatages. Les tests effectués sur 42 tâches montrent que Kumo Relational surpasse les modèles d'apprentissage supervisé, y compris les arbres de gradient boosté conçus par des experts et les ensembles AutoGluon, offrant une précision supérieure avec des temps d'inférence nettement plus rapides. Le système fonctionne via une interface de langage de requête prédictive, permettant aux humains et aux agents IA d'interroger les données naturellement tout en évitant les fuites de données grâce à des mécanismes de rejeu temporel. Construit sur des données relationnelles synthétiques générées par le framework PluRel, le modèle peut s'adapter à des bases de données contenant plus de 500 milliards de lignes en utilisant des bibliothèques natives GPU. Bien qu'il excelle dans la plupart des scénarios, les auteurs notent qu'un ajustement fin peut être nécessaire pour les tâches disposant d'ensembles d'entraînement extrêmement volumineux, où des modèles supervisés spécifiques pourraient surpasser légèrement les prédictions par apprentissage par contexte. La technologie est disponible via la bibliothèque open-source structured-data-models de NVIDIA et peut être déployée en tant que service NVIDIA NIM.
huggingface