NVIDIA lance Kumo Relational pour prédire sans entraînement

NVIDIA a présenté Kumo Relational, un modèle pré-entraîné conçu pour analyser directement des bases de données relationnelles, c'est-à-dire des jeux de données où l'information est répartie dans plusieurs tables reliées entre elles. NVIDIA le présente comme le premier modèle capable, en s'appuyant sur seulement quelques exemples, de surpasser le machine learning supervisé sur des benchmarks relationnels courants. Contrairement aux approches classiques, il ne demande pas d'entraînement spécifique à la tâche, ni d'ingénierie de variables, ni de fusion des tables en un seul tableau. L'utilisateur exprime une question prédictive en Predictive Query Language, PQL, et reçoit une estimation en une passe, par exemple pour anticiper une attrition client, une demande ou une fraude. Pour produire une réponse, Kumo Relational recourt à l'apprentissage en contexte: il sélectionne jusqu'à 10 000 exemples historiques associés aux entités concernées, puis les compare aux éléments à prédire. Une génération automatique de contexte évite les fuites de données en ne transmettant que les informations disponibles avant une date donnée. Le système raisonne ensuite à l'intérieur de chaque table, puis entre les tables grâce aux relations de clés et aux horodatages. Cette conception conserve des signaux que les agrégations manuelles peuvent faire disparaître, tout en limitant la complexité du calcul. Le modèle a été entraîné sur des bases synthétiques, créées avec un générateur inspiré de PluRel, qui simule des schémas, des liens de clés étrangères, des valeurs de colonnes et des dynamiques temporelles. Dans des tests portant sur 41 tâches issues de 15 bases publiques, Kumo Relational surpasse des systèmes supervisés de pointe, dont des modèles relationnels profonds et des arbres renforcés par gradient, une méthode classique pour les tableaux. Sur le benchmark SAP SALT, il dépasse des ensembles AutoGluon de 8% en mean reciprocal rank, une mesure de qualité de classement, et porte cet écart à 16% après ajustement fin. Il reste performant avec seulement 0,2% des données d'apprentissage utilisées comme contexte, et peut tolérer des liens manquants ou des colonnes bruitées. NVIDIA voit dans Kumo Relational une évolution comparable à celle des grands modèles de langage: plutôt que des projets dédiés, les équipes peuvent interroger une base comme un point de décision. Le système peut aussi être intégré à des agents qui anticipent un événement puis déclenchent une action. Il est disponible dans une bibliothèque ouverte de modèles pour données structurées optimisés pour GPU, ou en service NVIDIA NIM. Il fonctionne en mémoire, via des connecteurs de base de données ou un moteur graphique capable de traiter plus de 500 milliards de lignes. NVIDIA reconnaît des limites: le modèle est plus efficace quand les relations et le temps jouent un rôle fort, tandis que des modèles entraînés sur mesure pour de très grands volumes de données peuvent rester meilleurs dans certains cas. Pour l'utiliser efficacement, il est conseillé de commencer par une requête limitée à quelques tables, puis d'élargir le graphe de relations si nécessaire.