Революция в работе с реляционными данными
NVIDIA официально представила Kumo Relational, предобученную модель-фундамент (Relational Foundation Model), способную делать прогнозы напрямую на базе данных предприятия. В отличие от традиционных подходов, требующих недель feature engineering и обучения моделей под каждую задачу, Kumo Relational работает по принципу in-context learning: она анализирует до 10 000 исторических примеров из контекста и выдает прогноз за один проход (forward pass). Это позволяет предсказывать отток клиентов (churn), спрос или мошенничество без какого-либо дообучения.
Результаты бенчмарков: победа над индустриальным стандартом
Модель протестирована на 41 задаче в рамках 15 баз данных, включая сложный корпоративный бенчмарк SAP SALT. Kumo Relational демонстрирует статистически значимое превосходство над лучшими существующими пайплайнами, включая градиентный бустинг на ручных признаках (XGBoost) и ансамбли AutoGluon. Ключевые метрики эффективности приведены ниже:
| Бенчмарк / Задача | Сравниваемая модель | Результат Kumo Relational | Улучшение |
|---|---|---|---|
| RelBench V1 (классификация) | Gradient-boosted trees (XGBoost) с ручными признаками | Выше по AUROC | +~4 AUROC (в среднем) |
| SAP SALT (корпоративный) | XGBoost (без дообучения) | Выше по MRR | +7 MRR |
| SAP SALT (корпоративный) | XGBoost (после fine-tuning) | Выше по MRR | +13 MRR |
| SAP SALT (корпоративный) | AutoGluon (ансамбли) | Выше по MRR | +8% MRR |
Архитектура: работа с графами, а не с плоскими таблицами
Большинство современных моделей для структурированных данных требуют «сплющивания» (flattening) реляционных баз в одну таблицу, что ведет к потере структурных сигналов. Kumo Relational сохраняет структуру БД, используя три этапа обработки:
- Автоматическая генерация контекста: Используется Predictive Query Language (PQL). Модель реконструирует исторические состояния БД, выбирая подграфы вокруг сущности до момента предсказания, что исключает утечку данных (data leakage).
- Рассуждение внутри таблиц: Легкая сеть обрабатывает каждую таблицу независимо, используя attention по столбцам и строкам для фильтрации шума.
- Рассуждение между таблицами: Графовое внимание (graph attention) связывает строки через первичные и внешние ключи, а cross-sample attention сопоставляет примеры контекста с целевой сущностью. Это позволяет модели масштабироваться на базы данных объемом 500 млрд+ строк.
Почему это важно для бизнеса и AI-агентов
Введение Kumo Relational знаменует переход от «предсказательного ML» к «предиктивным агентам». Теперь LLM-агенты могут не только читать и писать в базах данных, но и прогнозировать будущие события (например, «какой клиент уйдет завтра?»), используя PQL как простой интерфейс. Модель доступна через открытую библиотеку structured-data-models на GPU или как NVIDIA NIM, что позволяет интегрировать её в production-среды без создания специфичных ML-пайплайнов для каждой новой бизнес-задачи.
Источник: Hugging Face blog ↗