Kumo Spouští KumoRFM-2, Základový Model Navržený pro Nahrazení Tradiční firemní strojové inteligence

Kumo představilo KumoRFM-2, next-generační základový model speciálně navržen pro strukturovaná firemní data — což znamená zásadní změnu v tom, jak organizace generují předpovědi ze svých datových skladů. Na rozdíl od tradičních strojových učících se pipeline, které vyžadují měsíce funkcionalizace a přizpůsobení modelu, KumoRFM-2 umožňuje týmům generovat předpovědi okamžitě pomocí přirozeného jazyka, bez školení nebo specializované odbornosti.

V jeho jádru reprezentuje model novou kategorii AI: relační základový model, který funguje přímo na firemních datových strukturách, místo aby je zjednodušoval do tabulek. Tento rozdíl řeší jednu z nejtrvalejších limitací v firemní AI, kde cenné vztahy mezi datovými sadami jsou často ztraceny, než se začne modelování.

Od statických pipeline až po reálné předpovědní systémy

Firemní předpovědní analytika historicky byla pomalá a náročná na zdroje. Každý nový případ — zda předpověď odchodu zákazníků, detekce podvodu nebo předpověď poptávky — obvykle vyžaduje samostatný pipeline, který zahrnuje čištění dat, funkcionalizaci, školení modelu a ladění.

KumoRFM-2 nahrazuje celý tento workflow jediným, předškoleným systémem.

Místo budování modelů uživatelé definují, co chtějí předpovědět. Model interpretuje požadavek, konstruuje nezbytný kontext z podkladové databáze a produkuje předpovědi v jednom kroku. To je umožněno kombinací učení v kontextu a deklarativního rozhraní nazvaného Předpovědní dotazovací jazyk (PQL), kde uživatelé vyjadřují výsledek, který je zajímá, místo kroků, které jsou nutné k jeho výpočtu.

Výsledkem je posun od “budování modelů” k “kladení otázek” — změna, která významně snižuje bariéru pro použití předpovědní AI napříč organizací.

Proč relační data byla tak obtížná

Většina stávajících AI systémů má potíže se strukturovanými firemními daty z jednoho prostého důvodu: zacházejí s nimi nesprávně.

Tradiční modely, včetně mnoha tabulkových AI systémů a dokonce i velkých jazykových modelů, spoléhají na zjednodušení dat do jedné tabulky. Ale skutečná firemní data existují jako propojené systémy — zákazníci propojení s transakcemi, transakcemi propojení s produkty, produkty propojení se skladem, vše se vyvíjí v čase.

Zjednodušení této struktury odstraňuje vztahy, které často obsahují nejvíce cenné předpovědní signály. Také nutí týmy ručně rekonstruovat tyto signály pomocí funkcionalizace, procesu, který je časově náročný a náchylný k chybám.

KumoRFM-2 se této potíže úplně zbavuje tím, že funguje přímo na relačních databázích, zachovává spojení napříč tabulkami, časovými razítky a entitami.

Uvnitř architektury: Jak KumoRFM-2 funguje

Klíčovou inovací za KumoRFM-2 je jeho hierarchický Relační grafický transformátor, který zpracovává data na více úrovních současně.

Na první úrovni model analyzuje jednotlivé tabulky pomocí kombinace řádkové a sloupcové pozornosti. To mu umožňuje pochopit, jak funkce souvisejí v tabulce, zatímco filtruje irelevantní nebo šumová data brzy v procesu. Důležité je, že cíl předpovědi je uveden v této fázi, což znamená, že model je podmíněn úkolem od samého začátku.

Na druhé úrovni model provádí grafické uvažování napříč tabulkami. Používá cizí klíče, propojuje data z různých částí databáze — jako například propojení zákaznického profilu s nákupní historií nebo behaviorálními vzorci — a identifikuje signály napříč tabulkami, které by jinak byly ztraceny.

Na třetí úrovni model zahrnuje vzorkovou pozornost, což mu umožňuje učit se z více příkladů najednou. To mu umožňuje generalizovat z relativně malého počtu kontextových příkladů, místo aby vyžadoval kompletní školicí datové sady.

Tento stupňovitý design je kritický. Zabrání výpočetnímu výbuchu, který by nastal, kdyby se zpracovávala všechna data najednou, a zároveň zlepšuje přesnost filtrováním šumu před hlubším uvažováním.

Učení v kontextu nahrazuje školení

Definujícím rysem KumoRFM-2 je jeho závislost na učení v kontextu místo tradičního školení.

Místo školení modelu pro každou úlohu je KumoRFM-2 předškolen jednou na velké směsi syntetických a reálných relačních dat. Když uživatel pošle požadavek na předpověď, systém automaticky generuje sadu kontextových příkladů — malých subgrafů databáze spárovaných s známými výsledky.

Tyto příklady slouží jako vodítko pro model, umožňují mu odvodit vzory a produkovat předpovědi bez aktualizace jeho váh. V praxi to znamená:

• Žádné úkolspecifické školení
• Žádná funkcionalizace
• Žádné ladění modelu

I s tak málo, jak 0,2% dat, která se obvykle vyžadují pro dohledané učení, může model dosáhnout špičkového výkonu.

Výkon napříč reálnými benchmarky

KumoRFM-2 byl vyhodnocen napříč 41 předpovědními úkoly pokrývajícími odvětví, jako je e-commerce, zdravotnictví, sociální platformy a firemní systémy.

Model konzistentně překonává tradiční dohledané strojové učení, včetně inženýrských souborů a relačních hlubokých učení. Na firemních benchmarkách překonává široce používaná řešení o významných maržích, zatímco se dále zlepšuje, když je jemně naladěn.

Mimo surovou přesnost model prokazuje silnou odolnost:

• Udržuje výkon i když jsou velké části relačních odkazů chybějící
• Zpracovává šumová nebo neúplná data s minimálním poklesem
• Funguje dobře v scénářích studeného startu, kde je historická data omezená

Tato odolnost je besonders důležitá ve firemních prostředích, kde je kvalita dat často nekonzistentní.

Sestaveno pro škálovatelnost: až 500 miliard řádků

KumoRFM-2 je navržen pro fungování v měřítku moderní datové infrastruktury.

Systém může zpracovávat datové sady přesahující 500 miliard řádků kombinací databázového nativního provedení a vlastního grafického motoru, který je schopen vysokoprůtokového přístupu k datům. Místo přesunu dat do samostatného ML systému je výpočet posunut přímo tam, kde data sídlí — ať už v SQL databázích nebo cloudových datových skladech.

Tento přístup snižuje latenci, zjednodušuje nasazení a umožňuje organizacím integrovat předpovědní schopnosti přímo do stávajících pracovních postupů.

Přirozený jazyk jako rozhraní

Dalším definujícím rysem je modelovo přirozené jazykové rozhraní.

Uživatelé mohou klást otázky, jako:

• Které zákazníci jsou pravděpodobně odcházet v následujících 30 dnech?
• Které leady jsou nejvíce pravděpodobné k převodu?
• Které produkty uvidí zvýšenou poptávku?

Systém překládá tyto dotazy do strukturované předpovědní logiky, provede je na podkladových datech a vrátí předpovědi a vysvětlení.

To nejen činí předpovědní analytiku přístupnější, ale také umožňuje integraci s AI agenty, kde předpovědi mohou být vloženy do automatizovaných rozhodovacích pracovních postupů.

Směrem k agentům řízené firemní inteligenci

KumoRFM-2 je navržen s agenty na mysli.

Jeho předpovědní schopnosti mohou být vystaveny jako modulární “dovednosti”, které AI agenti mohou volat jako součást větších pracovních postupů. To mění předpovědní modelování na komponovatelnou stavební jednotku — něco, co lze kombinovat s načtením, uvažováním a provedením v autonomních systémech.

V tomto kontextu je model nejen nástrojem pro analytiky, ale také základním vrstvám pro next-generační firemní automatizaci.

Předefinování role datové vědy

KumoRFM-2 signalizuje širší posun v tom, jak organizace přistupují k datové vědě.

Místo budování a údržby desítek úkolově specifických modelů mohou týmy spoléhat na jediný, všeobecný systém, který se přizpůsobuje novým problémům okamžitě. To snižuje potřebu specializované odbornosti ve funkcionalizaci a ladění modelu, zatímco umožňuje rychlejší experimentování a iteraci.

Pro mnoho organizací to může znamenat přechod od centralizované datové vědecké funkce k více distribuované modelu, kde předpovědní vhledy jsou přístupné napříč několika odděleními.

Nová kategorie základových modelů

Zatímco základové modely již transformovaly domény, jako je jazyk a vidění, strukturovaná firemní data zůstala jednou z posledních hranic.

KumoRFM-2 reprezentuje raný příklad toho, co specializované základové modely pro strukturovaná data mohou dosáhnout. Kombinací relačního uvažování, učení v kontextu a přirozeného jazykového rozhraní, zavádí novou paradigmatickou předpovědní AI.

Pokud bude tento přístup široce přijat, mohl by změnit, jak podniky interagují se svými daty — měnící předpovědní analytiku z komplexního, zpožděného procesu na reálný, organizaci-wide schopnost.