NVIDIA Kumo Relational превосходит контролируемое машинное обучение на реляционных данных без необходимости обучения
huggingface ·
NVIDIA представила Kumo Relational — предварительно обученную базовую модель, предназначенную для выполнения прогнозов непосредственно на корпоративных реляционных базах данных без необходимости специфичной для задачи тренировки или инженерии признаков. Используя обучение в контексте (in-context learning) с использованием до 10 000 исторических примеров, модель выполняет предсказания за один прямой проход для таких исходов, как отток клиентов, спрос или мошенничество, при этом соблюдая структуру базы данных, такую как внешние ключи и временные метки. Тестирование по 41 задаче показало, что Kumo Relational превосходит модели контролируемого машинного обучения, включая градиентный бустинг, разработанный экспертами, и ансамбли AutoGluon, достигая более высокой точности при значительно более быстром времени вывода результатов. Система работает через интерфейс языка предиктивных запросов (Predictive Query Language), позволяя как людям, так и агентам ИИ естественно запрашивать данные, избегая утечки данных благодаря механизмам временного воспроизведения. Модель построена на синтетических реляционных данных, сгенерированных фреймворком PluRel, и масштабируется для баз данных, содержащих более 500 миллиардов строк, с использованием нативных для GPU библиотек. Хотя технология демонстрирует отличные результаты в большинстве сценариев, авторы отмечают, что дообучение может быть необходимо для задач с чрезвычайно большими наборами обучающих данных, где специализированные модели контролируемого обучения могут немного превосходить предсказания на основе контекста. Технология доступна через библиотеку структурированных моделей с открытым исходным кодом NVIDIA structured-data-models и может быть развернута как служба NVIDIA NIM.
huggingface