Kumo Lancerer KumoRFM-2, En Foundation Model Til At Erstatte Traditionel Enterprise Machine Learning

Kumo har afsløret KumoRFM-2, en næste generations foundation model, der er specielt designed til struktureret enterprise data—hvad markerer en fundamental ændring i, hvordan organisationer genererer forudsigelser fra deres datawarehouse. I modsætning til traditionelle machine learning-pipelines, der kræver måneder med feature engineering og brugerdefineret modeludvikling, gør KumoRFM-2 det muligt for hold at generere forudsigelser øjeblikkeligt ved hjælp af naturligt sprog, uden træning eller specialiseret ekspertise.

I sin kerne repræsenterer modellen en ny kategori af AI: en relationel foundation model, der opererer direkte på enterprise datastrukturer i stedet for at flade dem ud i simplificerede tabeller. Denne forskel adresserer en af de mest vedvarende begrænsninger i enterprise AI, hvor værdifulde relationer mellem datasæt ofte går tabt, før modelleringen overhovedet begynder.

Fra Statisk Pipelines Til Real-Tid Predictive Systemer

Enterprise predictive analytics har historisk set været langsom og ressourcekrævende. Hver ny brugs-case—enten churn-forudsigelse, svindelforespørgsel eller efterspørgselsforudsigelse—kræver normalt en separat pipeline, der omfatter datarensning, feature engineering, modeltræning og finjustering.

KumoRFM-2 erstatter hele denne arbejdsgang med et enkelt, forudtrænet system.

I stedet for at bygge modeller, definerer brugerne, hvad de ønsker at forudsige. Modellen fortolker anmodningen, konstruerer den nødvendige kontekst fra den underliggende database og producerer forudsigelser i ét enkelt gennemløb. Dette er muligt takket være en kombination af in-context learning og en deklarativ interface kaldet Predictive Query Language (PQL), hvor brugerne udtrykker den udfald, de er bekymret for, i stedet for de trin, der er nødvendige for at beregne det.

Resultatet er en ændring fra “at bygge modeller” til “at stille spørgsmål”—en ændring, der betydeligt reducerer barrieren for at bruge predictiv AI på tværs af en organisation.

Hvorfor Relationel Data Har Været Så Svært

De fleste eksisterende AI-systemer kæmper med struktureret enterprise data af en enkel grund: de behandler det forkert.

Traditionelle modeller, herunder mange tabelbaserede AI-systemer og selv store sprogmodeller, afhænger af at flade data ud i en enkelt tabel. Men virkelige enterprise data findes som sammenhængende systemer—kunder forbundet til transaktioner, transaktioner forbundet til produkter, produkter forbundet til lager, alt sammen udvikler sig over tid.

At flade denne struktur ud fjerner de relationer, der ofte indeholder de mest værdifulde predictiva signaler. Det tvinger også hold til at genskabe disse signaler gennem feature engineering, en proces, der både er tidskrævende og udsat for fejl.

KumoRFM-2 undgår dette helt ved at operere direkte på relationelle databaser, hvorforbindelserne over tabeller, tidsstempel og enheder bevares.

Indenfor Arkitekturen: Hvordan KumoRFM-2 Fungerer

Den centrale innovation bag KumoRFM-2 er dens hierarkiske Relational Graph Transformer-arkitektur, der behandler data på flere niveauer samtidigt.

På det første niveau analyserer modellen enkelttabeller ved hjælp af en kombination af række- og kolonneopmærksomhed. Dette giver mulighed for at forstå, hvordan funktioner relaterer sig inden for en tabel, mens irrelevante eller støjende data filtreres fra tidligt i processen. Vigtigt er, at forudsigelsesmålet introduceres på dette stadium, hvilket betyder, at modellen er betinget af opgaven fra begyndelsen.

På det andet niveau udfører modellen graf-baseret resonnering på tværs af tabeller. Ved hjælp af fremmednøgleforbindelser forbinder den data fra forskellige dele af databasen—såsom at forbinde en kundeprofil med købshistorik eller adfærds mønstre—og identificerer tværs-table signaler, der ellers ville være tabt.

På det tredje niveau inkorporerer modellen cross-sample-opmærksomhed, hvilket giver mulighed for at lære fra flere eksempler på én gang. Dette giver mulighed for at generalisere fra et relativt lille antal konteksteksempler, i stedet for at kræve fulde træningsdatasæt.

Denne trinvis design er kritisk. Den undgår den beregningsmæssige eksplosion, der ville opstå ved at behandle alle datapunkter samtidigt, og forbedrer også nøjagtigheden ved at filtrere støj før dybere resonnering finder sted.

In-Context Learning Erstatter Træning

En definerende funktion i KumoRFM-2 er dens afhængighed af in-context learning i stedet for traditionel træning.

I stedet for at træne en model for hver opgave, er KumoRFM-2 forudtrænet én gang på en stor mængde synthetisk og virkelig verden relationel data. Når en bruger sender en forudsigelsesanmodning, genererer systemet automatisk en samling af konteksteksempler—små undergrafer af databasen parret med kendte resultater.

Disse eksempler fungerer som vejledning for modellen, hvilket giver mulighed for at slutte mønstre og producere forudsigelser uden at opdatere dens vægte. I praksis betyder dette:

• Ingen opgave-specifik træning
• Ingen feature engineering
• Ingen modeljustering

Selv med så lidt som 0,2% af de data, der normalt kræves til overvåget læring, kan modellen opnå state-of-the-art-ydelse.

Ydelse Over Virkelige Benchmark

KumoRFM-2 er blevet evalueret over 41 predictiva opgaver, der spænder over brancher som e-handel, sundhedspleje, sociale platforme og enterprise systemer.

Modellen overgår konsekvent traditionelle overvågede machine learning-tilgange, herunder konstruerede ensembler og relationelle dybe læringssystemer. På enterprise-benchmark overgår den vidt brugte løsninger med betydelige marginer, og forbedrer yderligere, når den finjusteres.

Ud over ren nøjagtighed demonstrerer modellen stærk robusthed:

• Opretholder ydelse, selv når store dele af relationelle forbindelser mangler
• Håndterer støjende eller ufuldstændig data med minimal nedgradering
• Fungerer godt i kolde-start-scenarier, hvor historisk data er begrænset

Denne robusthed er særligt vigtig i enterprise-miljøer, hvor datakvaliteten ofte er inkonsistent.

Bygget Til Skala: Op Til 500 Milliarder Rækker

KumoRFM-2 er designet til at fungere på skalaen af moderne data-infrastruktur.

Systemet kan behandle datasæt, der overstiger 500 milliarder rækker, ved at kombinere database-naturlig eksekvering med en brugerdefineret graf-motor, der kan håndtere høj-gennemstrømning af dataadgang. I stedet for at flytte data ind i et separat ML-system, flyttes beregningen direkte til, hvor dataen befinder sig—enten i SQL-databaser eller sky-data-warehouse.

Denne tilgang reducerer latency, simplificerer installation og giver organisationer mulighed for at integrere predictiva funktioner direkte i eksisterende arbejdsgange.

Naturligt Sprog Som Grænseflade

En anden definerende funktion er modellens naturlige sproggrænseflade.

Brugere kan stille spørgsmål som:

• Hvilke kunder er sandsynligvis at churn i de næste 30 dage?
• Hvilke leads er mest sandsynligvis at konvertere?
• Hvilke produkter vil se en øget efterspørgsel?

Systemet oversætter disse forespørgsler til struktureret predictiv logik, eksekverer dem på den underliggende data og returnerer både forudsigelser og forklaringer.

Dette gør ikke kun predictiv analytics mere tilgængelig, men giver også mulighed for integration med AI-agenter, hvor forudsigelser kan indlejres i automatiserede beslutningsprocesser.

Mod Agent-Drevet Enterprise Intelligence

KumoRFM-2 er designet med agenter i mente.

Dets predictiva funktioner kan eksponeres som modulære “færdigheder”, som AI-agenter kan kalde som en del af større arbejdsgange. Dette omdanner predictiv modeling til en sammensætbar byggeblok—noget, der kan kombineres med hentning, resonnering og eksekvering i autonome systemer.

I denne kontekst er modellen ikke kun et værktøj for analytikere, men en grundlæggende lag for næste generations enterprise-automatisering.

Omdefinering Af Data Science-Rollen

KumoRFM-2 signalerer en bredere ændring i, hvordan organisationer tilgår data science.

I stedet for at bygge og vedligeholde dusinvis af opgave-specifikke modeller, kan hold afhænge af et enkelt, generelt formål system, der tilpasser sig nye problemer øjeblikkeligt. Dette reducerer behovet for specialiseret ekspertise i feature engineering og modeljustering, mens det giver mulighed for hurtigere eksperimentering og iteration.

For mange organisationer kan dette betyde en overgang fra en centraliseret data science-funktion til en mere distribueret model, hvor predictiva indsigt er tilgængelig på tværs af multiple afdelinger.

En Ny Kategori Af Foundation Modeller

Mens foundation modeller allerede har forandret domæner som sprog og vision, er struktureret enterprise data blevet en af de sidste grænser.

KumoRFM-2 repræsenterer et tidligt eksempel på, hvad specialiserede foundation modeller for struktureret data kan opnå. Ved at kombinere relationel resonnering, in-context learning og naturligt sprog, introducerer det en ny paradigme for predictiv AI.

Hvis denne tilgang bliver bredt accepteret, kan det omdanne, hvordan virksomheder interagerer med deres data—ændrer predictiv analytics fra en kompleks, forsinket proces til en real-tid, organisation-wide kapacitet.