Kumo Relazionale di NVIDIA supera il machine learning supervisionato sui dati relazionali senza bisogno di addestramento
huggingface ·
NVIDIA ha presentato Kumo Relational, un modello di base pre-addestrato progettato per effettuare previsioni direttamente sui database relazionali aziendali senza richiedere addestramento specifico per il compito o ingegneria delle funzionalità. Utilizzando l'apprendimento in contesto con fino a 10.000 esempi storici, il modello esegue previsioni a passaggio singolo per esiti come il churn, la domanda o le frodi, rispettando le strutture del database come chiavi esterne e timestamp. I benchmark su 41 compiti mostrano che Kumo Relational supera i modelli di machine learning supervisionato, inclusi gli alberi potenziati (gradient-boosted trees) ingegnerizzati da esperti e gli ensemble AutoGluon, ottenendo una maggiore accuratezza con tempi di inferenza significativamente più rapidi. Il sistema opera tramite un'interfaccia di Linguaggio di Query Predittiva, consentendo sia agli esseri umani che agli agenti AI di interrogare i dati in modo naturale, evitando la perdita di informazioni (data leakage) grazie a meccanismi di replay temporale. Costruito su dati relazionali sintetici generati dal framework PluRel, il modello scala a database contenenti oltre 500 miliardi di righe utilizzando librerie native GPU. Sebbene eccella nella maggior parte degli scenari, gli autori notano che il fine-tuning potrebbe essere necessario per compiti con set di addestramento estremamente ampi, dove modelli supervisionati specifici potrebbero superare le previsioni in contesto. La tecnologia è disponibile tramite la libreria open-source structured-data-models di NVIDIA e può essere distribuita come servizio NVIDIA NIM.
huggingface