NVIDIA Kumo Relational übertrifft ML ohne Training

NVIDIA hat mit Kumo Relational ein vortrainiertes Foundation Model für relationale Unternehmensdaten vorgestellt. Das Modell führt Vorhersagen direkt auf Datenbanktabellen aus, ohne taskbezogenes Training, Feature Engineering oder das Umformen relationaler Strukturen in einzelne Tabellen. Für eine neue Prognose werden bis zu 10.000 historische Beispiele als Kontext herangezogen; das Ergebnis entsteht in einem einzigen Durchlauf. Ziel sind typische Unternehmensanwendungen wie Churn, Nachfrage oder Betrug. Nach Angaben von NVIDIA ist Kumo Relational das erste Few-Shot-Foundation-Modell, das auf gängigen relationalen Benchmarks überwachtes maschinelles Lernen übertreffen soll. Auf 41 Aufgaben in 15 Datenbanken, darunter RelBench, SAP SALT und 4DBInfer, schneide es besser ab als relationale Deep-Learning-Modelle und fachlich optimierte Gradient-Boosted-Tree-Pipelines. Auf SAP SALT erreiche es gegenüber AutoGluon-Ensembles acht Prozent mehr Mean Reciprocal Rank; nach Feinabstimmung steige der Vorsprung auf 16 Prozent. Im RelArena-Alpha-Leaderboard positioniere sich das Modell auf der Pareto-Front aus Genauigkeit und Effizienz und sei bei vergleichbarer Qualität rund 430 Mal schneller als der bestplatzierte Eintrag. Kumo Relational arbeitet direkt auf Tabellen, Fremdschlüsseln und Zeitstempeln. Die Architektur kombiniert Aufmerksamkeit innerhalb von Tabellen über Spalten und Zeilen sowie Graph Attention über relationale Verbindungen hinweg und zusätzlich Aufmerksamkeit zwischen Kontextbeispielen. Dadurch sollen quadratische Kosten vermieden und große Kontexte sowie tiefe relationale Strukturen effizient verarbeitet werden. Das Modell wurde auf synthetischen relationalen Daten vortrainiert, die nach dem PluRel-Ansatz erzeugt und realen Unternehmensdaten nachempfunden wurden. Das System ist für Menschen und KI-Agenten konzipiert. Über die Predictive Query Language können Anwender formulieren, was vorhergesagt werden soll, ohne den konkreten Berechnungsweg zu beschreiben. Kumo Relational wird über die GPU-native Open-Source-Bibliothek structured-data-models oder als NVIDIA NIM bereitgestellt. Der Code steht unter Apache 2.0, die Modellgewichte unter OpenMDW 1.1. Die Ausführung unterstützt In-Memory-Betrieb, Datenbankverbindungen sowie speicherabgebildete Graph Engines für mehr als 500 Milliarden Zeilen. NVIDIA benennt als Einschränkung, dass bei sehr großen Trainingsmengen weiterhin taskbezogene überwachte Modelle im Vorteil sein können und dass Prognosesignale innerhalb einer begrenzten Anzahl relationaler Sprünge erreichbar sein müssen.