22 октября 2026 г.
NVIDIA представила Kumo Relational для прогнозов по реляционным базам без обучения под задачу
Kumo Relational анализирует связанные таблицы, использует до 10 000 исторических примеров и, по заявлению NVIDIA, превосходит ряд классических ML-пайплайнов.
NVIDIA представила Kumo Relational, предварительно обученную модель для прогнозов непосредственно по реляционным базам данных. Система принимает предиктивный запрос, собирает до 10 000 исторических примеров и формирует результат за один проход без отдельного обучения под каждую задачу, ручного создания признаков и предварительного объединения таблиц в плоский набор.
Разработка предназначена для сценариев, где записи связаны между собой: профили пользователей, заказы, товары и события во времени. Kumo Relational учитывает таблицы, внешние ключи и временные отметки. В качестве примеров NVIDIA приводит прогнозирование оттока клиентов, спроса и мошеннических операций.
Как Kumo Relational работает с таблицами
Запросы описываются через Predictive Query Language, декларативный интерфейс, где задается цель прогноза, а не последовательность операций подготовки данных. Для временных задач система восстанавливает состояние базы на исторический момент и использует только сведения, доступные до него. Такой подход должен снижать риск утечки будущих данных в обучающий контекст.
Модель предварительно обучалась на синтетических реляционных данных. При выполнении запроса она анализирует отдельные таблицы, связи между строками и отношения между примерами с известными результатами. NVIDIA заявляет поддержку баз данных размером более 500 млрд строк.
Результаты на тестах NVIDIA
В публикации приведены результаты на 41 задаче из 15 баз данных. Компания сравнила Kumo Relational с моделями глубокого обучения для реляционных данных и с конвейерами на основе градиентного бустинга.
| Тест или сравнение | Заявленный результат |
|---|---|
| RelBench V1, задачи классификации | Почти на 4 пункта AUROC выше градиентного бустинга на инженерных признаках |
| SAP SALT против XGBoost | На 7 пунктов MRR выше без дообучения |
| SAP SALT после дообучения | Преимущество над XGBoost достигает 13 пунктов MRR |
| SAP SALT против ансамблей AutoGluon | На 8% выше средний обратный ранг, MRR |
Эти показатели относятся к описанным NVIDIA экспериментам. Они не доказывают одинаковое преимущество на любой корпоративной базе: результат зависит от структуры данных, качества исторических записей и формулировки запроса.
Что проверить при использовании в учебном исследовании
Kumo Relational может представлять интерес для курсовых и выпускных работ о прогнозировании по связанным данным. При подготовке эксперимента стоит отдельно зафиксировать схему таблиц, временную границу, целевую переменную и способ расчета метрик. Сравнение с XGBoost или другой базовой моделью должно использовать одинаковые обучающую и тестовую выборки.
Перед выводами нужно проверить документацию модели, доступный интерфейс, требования к GPU и условия работы с данными. Заявленные результаты NVIDIA следует воспринимать как результаты конкретного набора тестов, а не как гарантию превосходства для собственной базы.
