- 核心要点 (TL;DR)
- 向结构化数据基础模型的演进
- Kumo Relational 的工作原理
- Kumo Relational 的构建过程
- 性能表现
- 局限性
- 演示
- 开始使用 NVIDIA Kumo Relational 进行构建
- 致谢
核心要点 (TL;DR)
NVIDIA Kumo Relational 是一个预训练的关系型基础模型(relational foundation model),可直接针对企业数据库进行预测。在给定预测查询后,它会收集多达 10,000 个历史样本作为上下文,并通过单次前向传播(forward pass)预测用户流失、需求变动或欺诈等结果。它无需针对特定任务的训练,无需特征工程(feature engineering),也无需将多表展平(flattening of tables)。Kumo Relational 是首个在常见关系型基准测试中超越传统监督机器学习的少样本(few-shot)基础模型。在跨越 15 个数据库的 41 项任务中,它的表现优于监督关系深度学习模型以及经专家调优的梯度提升树(gradient-boosted tree)流水线;在 SAP SALT 企业级基准测试中,其平均倒数排名(MRR)超越 AutoGluon 集成模型达 8%。它能够扩展至行数超过 5000 亿(500B+)的数据库,且同时适用于人类用户与智能体(Agent),既可以通过 NVIDIA 开源且针对 GPU 原生优化的 structured-data-models 库调用,也可以作为 NVIDIA NIM 微服务进行部署。