NVIDIA выпустила Kumo Relational, модель для прогнозов по реляционным базам данных
NVIDIA представила Kumo Relational, предобученную foundation-модель для прогнозов прямо по корпоративным реляционным базам данных. Ей не нужны ни отдельное обучение под задачу, ни ручной инжиниринг признаков: запрос подаётся на вход, а контекстом служат до 10 000 исторических примеров.
Главное в цифрах
- Задач для оценки: 41 на 15 базах данных
- Превосходство над AutoGluon на SAP SALT: 8% по MRR
- Контекст при предсказании: до 10 000 примеров
- Масштаб поддерживаемых баз: более 500 млрд строк
По заявлению компании, на 41 задаче в 15 базах данных модель опережает и обученные реляционные нейросети, и настроенные вручную ансамбли градиентного бустинга. На корпоративном бенчмарке SAP SALT она превосходит ансамбли AutoGluon на 8% по метрике MRR.
Модель масштабируется на базы с более чем 500 млрд строк. Она доступна через открытую библиотеку NVIDIA для работы со структурированными данными, которая работает на GPU, либо как NVIDIA NIM.
Как это работает
Kumo Relational работает напрямую с базой, учитывая её таблицы, внешние ключи и временные метки, и не требует сводить связи в одну плоскую таблицу. Задача формулируется на языке Predictive Query Language (PQL), где пользователь описывает, что нужно предсказать, а не как это сделать.
Модель обучена один раз на синтетических реляционных данных. Для каждой новой задачи она адаптируется через обучение в контексте, читая до 10 000 примеров с известными результатами. Предсказание делается за один проход модели.
Что это значит для команд
NVIDIA описывает модель как шаг к подходу, который раньше принёс изменения в обработке языка и изображений: одна предобученная модель заменяет набор отдельных конвейеров под каждую задачу. Новый прогноз становится запросом, а не отдельным проектом, что снижает порог входа для команд, которые строят прогнозы по базам данных.
