Che cosa cambia rispetto al machine learning tradizionale
Nvidia ha presentato Kumo Relational, descritto nel blog di Hugging Face come un modello di base pre-addestrato che effettua previsioni direttamente sui database aziendali. Il punto centrale, secondo la fonte, è che non richiede addestramento specifico per il singolo compito, né ingegnerizzazione manuale delle variabili, né la riduzione delle tabelle a un unico formato piatto. L'utente formula una richiesta predittiva e il modello raccoglie fino a 10.000 esempi storici come contesto, producendo la previsione in un solo passaggio.
I risultati dichiarati sui benchmark
La società sostiene che Kumo Relational sia il primo modello few-shot di questo tipo a superare l'apprendimento automatico supervisionato sui comuni benchmark relazionali. Su 41 attività distribuite in 15 database andrebbe oltre i modelli supervisionati di deep learning relazionale e le pipeline di gradient boosting costruite con variabili progettate da esperti. Sul benchmark aziendale SAP SALT supererebbe gli ensemble AutoGluon dell'8% nella metrica MRR. Sui compiti di classificazione di RelBench V1 il vantaggio medio sarebbe di quasi 4 punti AUROC rispetto agli alberi potenziati con caratteristiche ingegnerizzate, e su SAP SALT di 7 punti MRR senza messa a punto, fino a 13 dopo l'ottimizzazione.
Il modello viene inoltre indicato come capace di scalare a database con oltre 500 miliardi di righe e di essere accessibile sia tramite una libreria open source nativa per GPU sia come servizio NIM di Nvidia. È pensato, secondo la fonte, per essere interrogato anche da agenti software, grazie a un linguaggio dichiarativo di query predittive.
Perché la sfida è tecnica e che cosa resta da verificare
La difficoltà principale, spiega il materiale, sta nel fatto che i dati reali vivono in più tabelle collegate da chiavi esterne e da dimensioni temporali. Appiattirli in una singola riga con aggregazioni manuali perde segnali strutturali e richiede molto lavoro umano. Il modello affronta il problema con attenzione separata ai valori di colonna, alle righe e alle relazioni tra tabelle, ricostruendo lo stato storico del database fino a un momento di riferimento per evitare che informazioni future contaminino la previsione.
L'addestramento avviene su dati relazionali interamente sintetici, generati per riflettere database reali. Poiché questi ultimi raramente sono pubblici, i dati sintetici colmano una lacuna, ma è proprio questo passaggio a meritare verifica indipendente. La fonte è la presentazione del produttore: i numeri citati provengono da valutazioni interne e non risultano replicati da terzi nel materiale. Restano quindi da confermare la generalizzazione a contesti aziendali diversi dai benchmark, i costi operativi e la robustezza fuori dai domini testati.