NVIDIA Kumo Relational surpasse l'apprentissage automatique supervisé sur les données relationnelles, sans entraînement requis
Retour aux articles NVIDIA Kumo Relational surpasse l'apprentissage automatique supervisé sur les données relationnelles, sans entraînement requis Entreprise + Article Publié le 21 octobre 2026 Votez 2 TL;DR NVIDIA Kumo Relational est un modèle de fondation relationnel pré-entraîné qui fait des prédictions directement sur les bases de données d'entreprise. Étant donné une requête prédictive, il rassemble jusqu'à 10 000 exemples historiques comme contexte et prédit des résultats tels que le désabonnement, la demande ou la fraude en une seule passe. Il ne nécessite aucun entraînement spécifique à la tâche, aucune ingénierie de caractéristiques et aucun aplatissement des tables.
Détails
Kumo Relational est le premier modèle de fondation few-shot à surpasser l'apprentissage automatique supervisé sur les benchmarks relationnels courants. Sur 41 tâches dans 15 bases de données, il bat les modèles d'apprentissage profond relationnel supervisé et les pipelines d'arbres à gradient boosté conçus par des experts, et sur le benchmark d'entreprise SAP SALT, il surpasse les ensembles AutoGluon de 8 % en classement réciproque moyen (MRR).
Contexte
Il s'adapte aux bases de données de plus de 500 milliards de lignes et fonctionne aussi bien pour les humains que pour les agents, grâce à la bibliothèque open-source et native GPU de NVIDIA pour les modèles de données structurées, ou via NVIDIA NIM. Il n'y a pas si longtemps, le NLP en production signifiait un modèle dédié par tâche, chacun alimenté par son propre pipeline de tokenisation, de lemmatisation et de n-grammes. Les LLM ont largement rendu cette pile obsolète pour trois raisons : ils étaient plus précis que les meilleurs modèles spécifiques à la tâche, beaucoup plus simples à mettre en production, et suffisamment flexibles pour ouvrir une nouvelle ère d'applications agentiques.
Impact
Les bases de données relationnelles sous-tendent les décisions commerciales les plus critiques au monde, pourtant la modélisation prédictive sur celles-ci nécessite encore des semaines d'ingénierie de caractéristiques, d'entraînement spécifique à la tâche et de pipelines ajustés. Sur les tâches de classification de RelBench V1, Kumo Relational surpasse les arbres à gradient boosté sur des caractéristiques conçues par des experts de près de 4 points AUROC en moyenne. Sur SAP SALT, il bat XGBoost sur des caractéristiques conçues par des experts de 7 points MRR dès la sortie de la boîte et de 13 points MRR après un réglage fin.
Prochaines étapes
Ces résultats plaident fortement en faveur du remplacement des pipelines XGBoost en production par Kumo Relational. Simplicité et agilité : un modèle pré-entraîné remplace des pipelines distincts pour des tâches individuelles. Une nouvelle prédiction devient une requête au lieu d'un projet, permettant ainsi aux équipes ML de prendre en charge des cas d'utilisation que le ML traditionnel rendait trop laborieux à construire à tous les niveaux de l'organisation.
Contexte historique
Agents capables de prédire : les LLM permettent aux agents de lire, écrire et raisonner. Kumo Relational est déjà conçu pour être appelé par des agents, et son langage de requête prédictive (PQL) leur offre une interface simple pour poser des questions prédictives. Aujourd'hui, nous introduisons le papier Kumo Relational, la documentation, un modèle de fondation pré-entraîné qui apporte ce paradigme aux données relationnelles.
Analyse
Connectez une base de données, décrivez ce que vous voulez prédire et obtenez des prédictions en une seule passe. Les données du monde réel résident dans les bases de données relationnelles : des utilisateurs connectés à des commandes connectées à des produits, le tout évoluant dans le temps. Aplatir ces relations en une seule ligne par agrégation manuelle, par exemple "valeur moyenne des commandes au cours des 30 derniers jours", perd des signaux structurels fins et demande un effort humain considérable.
Plus
Kumo Relational est un modèle de fondation relationnel qui opère directement sur la base de données, en respectant ses tables, ses clés étrangères et ses horodatages. Il est pré-entraîné une fois sur des données relationnelles synthétiques qui reflètent les jeux de données du monde réel et s'adapte à chaque nouvelle tâche par apprentissage en contexte, en lisant jusqu'à 10 000 exemples de contexte au moment de l'inférence. Chaque exemple associe un sous-graphe local autour d'une entité à un moment donné avec sa cible réelle, par exemple "cet utilisateur s'est désabonné" ou "cet article s'est vendu 142 unités".
