NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required
Pubblicata su AIChronos il · fonte del · Hugging Face blog
NVIDIA Kumo Relational è un modello fondazionale relazionale pre-addestrato che esegue previsioni direttamente su database aziendali senza richiedere addestramento specifico o ingegnerizzazione delle feature. Il sistema opera nativamente sulle strutture relazionali, rispettando tabelle, chiavi estere e timestamp per evitare la perdita di informazioni tipica della pianificazione dei dati. Genera predizioni in un singolo passaggio forward utilizzando l'apprendimento nel contesto (in-context learning) che raccoglie fino a 10.000 esempi storici come contesto al momento dell'inferenza.
- Supera i modelli di machine learning supervisionati, inclusi gli alberi gradient-boosted e le pipeline ingegnerizzate dagli esperti, su benchmark aziendali come SAP SALT.
- Raggiunge un miglioramento dell'8% nel Mean Reciprocal Rank (MRR) rispetto agli ensemble AutoGluon sulla benchmark SAP SALT con una latenza di inferenza media di circa 17 secondi per 1.000 campioni.
- L'architettura impiega ragionamento a tre stadi: attenzione su colonne/row, attenzione sul grafo tramite chiavi primarie/esterne e collegamento tra esempi contestuali e target noti.
- È robusto in condizioni difficili, mantenendo stabilità anche con il 75% delle connessioni di chiave esterna rimosse o utilizzando solo lo 0.2% dei dati come contesto.
- Può scalare a database con oltre 500 miliardi di righe tramite I/O memory-mapped fino a 5 GB/s, superando i modelli specifici per il compito quando l'insieme di addestramento supera il limite del contesto.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti locali, questo modello elimina la necessità di flussi di lavoro complessi di pre-elaborazione dei dati o fine-tuning per compiti relazionali specifici. Consente l'integrazione diretta delle capacità predittive avanzate in applicazioni aziendali esistenti sfruttando le infrastrutture GPU native NVIDIA senza sacrificare accuratezza.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.