NVIDIA Kumo Relational: предсказания на реляционных данных без обучения и с лучшей точностью
NVIDIA представила Kumo Relational — модель, способную предсказывать события на основе реляционных данных без дополнительного обучения и сложной подготовки признаков. Она работает с базами напрямую, учитывая связи между таблицами и исторические примеры. По ряду задач Kumo Relational превзошла классические методы машинного обучения.
Что такое Kumo Relational
Это предобученная модель, разработанная для работы с реляционными базами данных, где данные связаны между таблицами и меняются во времени. В отличие от традиционных подходов, где приходится вручную создавать признаки и объединять таблицы в плоские структуры, Kumo Relational анализирует данные в исходном виде. Модель использует до 10 000 примеров из истории, чтобы понять контекст и сделать прогноз — например, предсказать отток клиентов, спрос или мошенничество.
Как работает модель
Kumo Relational обрабатывает данные в три этапа: сначала анализирует значения в каждой таблице, затем устанавливает связи между записями разных таблиц, и наконец соотносит текущий объект с историческими примерами и их результатами. Такой подход позволяет сохранять сложные зависимости в данных. Для задания задач используется Predictive Query Language (PQL) — декларативный язык запросов, который формулирует, что именно нужно предсказать.
Результаты и сравнение с другими методами
Модель опробовали на 41 задаче из 15 баз данных. Она показала лучшие результаты, чем традиционные глубокие нейросети и методы с градиентным бустингом, часто применяемые в промышленности. На корпоративном бенчмарке SAP SALT Kumo Relational превзошла AutoGluon на 8% по метрике MRR без дополнительной донастройки и на 13% после неё. При этом модель масштабируется до баз с сотнями миллиардов строк.
Что это даёт бизнесу и контенту
Для компаний это шанс снизить время и ресурсы на подготовку данных и обучение моделей, так как Kumo Relational работает сразу с базой и не требует ручного создания признаков. Это упрощает внедрение предиктивной аналитики и расширяет возможности для автоматизации принятия решений. Маркетологи и аналитики могут быстрее получать прогнозы по ключевым метрикам, не погружаясь в технические детали машинного обучения. Однако внедрение требует понимания структуры базы и грамотного формулирования запросов.
Источники
Частые вопросы
Нет, модель предобучена и может делать прогнозы без дополнительного обучения, используя контекст из исторических примеров.
Модель учитывает связи между таблицами, их ключи и временные метки, анализируя данные в исходной реляционной структуре без её упрощения.
Короткие новости про ИИ-генерации и ссылки на полные разборы — в канале elatio.ai. На сайте всегда можно открыть статью целиком.
Что прочитать дальше
OpenAI представила GPT-6.1 Terra — модель, которая лучше справляется с визуальными задачами и программированием. Она быстрее и экономичнее, чем предыдущие версии.
Beam — это открытая модель с 501 млрд параметров, которая поддерживает длинный контекст до миллиона токенов и подходит для сложных задач программирования и агентных систем.
