Kumo startet KumoRFM-2, ein Foundation-Modell, das traditionelles Unternehmens-Machine-Learning ersetzt

Kumo hat KumoRFM-2 vorgestellt, ein next-generation-Foundation-Modell, das speziell für strukturierte Unternehmensdaten entwickelt wurde und damit einen grundlegenden Wandel in der Art und Weise darstellt, wie Organisationen Vorhersagen aus ihren Datenbanken generieren. Im Gegensatz zu traditionellen Machine-Learning-Pipelines, die Monate der Feature-Engineering und der Entwicklung von benutzerdefinierten Modellen erfordern, ermöglicht KumoRFM-2 es Teams, Vorhersagen sofort mit Hilfe von natürlicher Sprache zu generieren, ohne Schulung oder spezielle Fachkenntnisse.

Im Kern stellt das Modell eine neue Kategorie von KI dar: ein relationales Foundation-Modell, das direkt auf Unternehmensdatenstrukturen arbeitet, anstatt sie in vereinfachte Tabellen zu flatten. Diese Unterscheidung behebt eine der persistentesten Einschränkungen im Unternehmens-KI-Bereich, wo wertvolle Beziehungen zwischen Datensätzen oft verloren gehen, bevor die Modellierung überhaupt beginnt.

Von statischen Pipelines zu Echtzeit-Predictive-Systemen

Unternehmenspredictive-Analytics waren historisch gesehen langsam und ressourcenintensiv. Jeder neue Anwendungsfall – ob Churn-Prediction, Betrugsbekämpfung oder Nachfragemodellierung – erfordert in der Regel eine separate Pipeline, die Datenreinigung, Feature-Engineering, Modelltraining und -anpassung umfasst.

KumoRFM-2 ersetzt diesen gesamten Workflow durch ein einziges, vorge trainiertes System.

Statt Modelle zu bauen, definieren Benutzer, was sie vorhersagen möchten. Das Modell interpretiert die Anfrage, konstruiert den notwendigen Kontext aus der zugrunde liegenden Datenbank und produziert Vorhersagen in einem einzigen Durchgang. Dies wird durch eine Kombination aus in-context-Lernen und einer deklarativen Schnittstelle namens Predictive Query Language (PQL) ermöglicht, bei der Benutzer das Ergebnis ausdrücken, das ihnen wichtig ist, anstatt die Schritte, die zum Berechnen erforderlich sind.

Das Ergebnis ist ein Wechsel von “Modellbau” zu “Fragen stellen” – eine Änderung, die die Hürde für die Verwendung von predictiver KI in der gesamten Organisation erheblich senkt.

Warum relationale Daten so schwierig waren

Die meisten bestehenden KI-Systeme haben Schwierigkeiten mit strukturierten Unternehmensdaten aus einem einfachen Grund: Sie behandeln sie falsch.

Traditionelle Modelle, einschließlich vieler tabellarischer KI-Systeme und sogar großer Sprachmodelle, verlassen sich auf die Flattening von Daten in eine einzelne Tabelle. Aber reale Unternehmensdaten existieren als vernetzte Systeme – Kunden, die mit Transaktionen verknüpft sind, Transaktionen, die mit Produkten verknüpft sind, Produkte, die mit Inventar verknüpft sind, alles entwickelt sich über die Zeit hinweg.

Durch die Flattening dieser Struktur werden die Beziehungen entfernt, die oft die wertvollsten predictiven Signale enthalten. Es zwingt auch Teams, diese Signale manuell durch Feature-Engineering zu rekonstruieren, ein Prozess, der sowohl zeitaufwändig als auch fehleranfällig ist.

KumoRFM-2 vermeidet dies vollständig, indem es direkt auf relationalen Datenbanken arbeitet und Verbindungen über Tabellen, Zeitstempel und Entitäten hinweg aufrechterhält.

Innerhalb der Architektur: Wie KumoRFM-2 funktioniert

Die Schlüsselinnovation hinter KumoRFM-2 ist seine hierarchische Relational Graph Transformer-Architektur, die Daten auf mehreren Ebenen gleichzeitig verarbeitet.

Auf der ersten Ebene analysiert das Modell einzelne Tabellen mithilfe einer Kombination aus Zeilen- und Spaltenaufmerksamkeit. Dies ermöglicht es, zu verstehen, wie Funktionen innerhalb einer Tabelle in Beziehung stehen, während irrelevante oder störende Daten früh im Prozess gefiltert werden. Wichtig ist, dass das Vorhersageziel bereits in dieser Phase eingeführt wird, was bedeutet, dass das Modell von Anfang an auf die Aufgabe konditioniert ist.

Auf der zweiten Ebene führt das Modell graphbasiertes Reasoning über Tabellen hinweg durch. Mithilfe von Fremdschlüsselbeziehungen verbindet es Daten aus verschiedenen Teilen der Datenbank – wie z. B. die Verknüpfung eines Kundenprofils mit Kaufhistorie oder Verhaltensmustern – und identifiziert Signals, die über Tabellen hinweg verloren gegangen wären.

Auf der dritten Ebene integriert das Modell cross-sample-Aufmerksamkeit, was es ermöglicht, aus mehreren Beispielen gleichzeitig zu lernen. Dies ermöglicht es, von einem relativ kleinen Satz von Kontextbeispielen zu verallgemeinern, anstatt vollständige Trainingsdatensätze zu erfordern.

Diese gestufte Konstruktion ist entscheidend. Sie vermeidet die Rechenexplosion, die durch die gleichzeitige Verarbeitung aller Datenpunkte entstehen würde, und verbessert gleichzeitig die Genauigkeit, indem sie störende Daten vor dem tiefen Reasoning filtert.

In-Context-Lernen ersetzt Training

Ein definierendes Merkmal von KumoRFM-2 ist seine Abhängigkeit von in-context-Lernen anstelle von traditionellem Training.

Statt ein Modell für jede Aufgabe zu trainieren, wird KumoRFM-2 einmal auf einer großen Mischung aus synthetischen und realen relationalen Daten trainiert. Wenn ein Benutzer eine Vorhersageanfrage sendet, generiert das System automatisch einen Satz von Kontextbeispielen – kleine Subgraphen der Datenbank, die mit bekannten Ergebnissen gepaart sind.

Diese Beispiele dienen als Anleitung für das Modell, um Muster abzuleiten und Vorhersagen ohne Gewichtsaktualisierung zu produzieren. In der Praxis bedeutet dies:

• Kein aufgabenspezifisches Training
• Kein Feature-Engineering
• Keine Modellanpassung

Selbst mit nur 0,2 % der Daten, die normalerweise für überwachtes Lernen erforderlich sind, kann das Modell eine Leistung auf dem Stand der Technik erzielen.

Leistung über reale Benchmarks

KumoRFM-2 wurde über 41 predictiven Aufgaben hinweg evaluiert, die Branchen wie E-Commerce, Gesundheitswesen, soziale Plattformen und Unternehmenssysteme umfassen.

Das Modell übertrifft konsistent traditionelle überwachte Machine-Learning-Ansätze, einschließlich konstruierter Ensembles und relationaler Deep-Learning-Systeme. Bei Unternehmensbenchmarks übertrifft es weit verbreitete Lösungen um erhebliche Margen und verbessert sich weiter, wenn es fein abgestimmt wird.

Über die reine Genauigkeit hinaus zeigt das Modell starke Robustheit:

• Behält die Leistung bei, auch wenn große Teile relationaler Verknüpfungen fehlen
• Bewältigt störende oder unvollständige Daten mit minimaler Verschlechterung
• Funktioniert gut in Cold-Start-Szenarien, in denen historische Daten begrenzt sind

Diese Widerstandsfähigkeit ist insbesondere in Unternehmensumgebungen wichtig, in denen die Datenqualität oft inkonsistent ist.

Entwickelt für die Skalierung: Bis zu 500 Milliarden Zeilen

KumoRFM-2 ist für die Skalierung moderner Dateninfrastrukturen entwickelt.

Das System kann Datensätze verarbeiten, die 500 Milliarden Zeilen überschreiten, indem es Datenbank-native Ausführung mit einem benutzerdefinierten Graph-Engine kombiniert, der einen hohen Datenzugriff ermöglicht. Anstatt Daten in ein separates ML-System zu verschieben, wird die Berechnung direkt dorthin geschoben, wo die Daten residieren – ob in SQL-Datenbanken oder Cloud-Datenwarehouses.

Dieser Ansatz reduziert die Latenz, vereinfacht die Bereitstellung und ermöglicht es Organisationen, predictives Analytics direkt in bestehende Workflows zu integrieren.

Natürliche Sprache als Schnittstelle

Ein weiteres definierendes Merkmal ist die natürliche Sprachenschnittstelle des Modells.

Benutzer können Fragen stellen wie:

• Welche Kunden werden wahrscheinlich in den nächsten 30 Tagen abwandern?
• Welche Leads sind am wahrscheinlichsten zu konvertieren?
• Welche Produkte werden voraussichtlich eine erhöhte Nachfrage sehen?

Das System übersetzt diese Abfragen in strukturierte predictives Logik, führt sie auf den zugrunde liegenden Daten aus und gibt sowohl Vorhersagen als auch Erklärungen zurück.

Dies macht nicht nur predictives Analytics zugänglicher, sondern ermöglicht auch die Integration mit KI-Agenten, bei denen Vorhersagen in automatisierte Entscheidungsprozesse eingebettet werden können.

Richtung Agent-orientierte Unternehmensintelligenz

KumoRFM-2 ist für Agenten konzipiert.

Seine predictiven Fähigkeiten können als modulare “Fähigkeiten” exponiert werden, die KI-Agenten als Teil größerer Workflows aufrufen können. Dies wandelt predictives Modellieren in ein komponierbares Baustein um – etwas, das mit Abruf, Reasoning und Ausführung in autonomen Systemen kombiniert werden kann.

In diesem Kontext ist das Modell nicht nur ein Werkzeug für Analysten, sondern auch eine grundlegende Schicht für die nächste Generation von Unternehmensautomatisierung.

Neue Definition der Rolle der Datenwissenschaft

KumoRFM-2 signalisiert einen umfassenderen Wandel in der Art und Weise, wie Organisationen Datenwissenschaft angehen.

Statt Dutzende von Aufgaben-spezifischen Modellen zu bauen und zu warten, können Teams auf ein einziges, allgemeines System vertrauen, das sich sofort an neue Probleme anpasst. Dies reduziert die Notwendigkeit von spezialisiertem Fachwissen in Feature-Engineering und Modellanpassung, während es gleichzeitig schnelleres Experimentieren und Iterieren ermöglicht.

Für viele Organisationen könnte dies bedeuten, von einer zentralisierten Datenwissenschaft-Funktion zu einem dezentraleren Modell zu wechseln, in dem predictives Analytics über mehrere Abteilungen hinweg zugänglich sind.

Eine neue Kategorie von Foundation-Modellen

Während Foundation-Modelle bereits Bereiche wie Sprache und Vision transformiert haben, sind strukturierte Unternehmensdaten einer der letzten Frontiers geblieben.

KumoRFM-2 stellt ein frühes Beispiel dafür dar, was spezialisierte Foundation-Modelle für strukturierte Daten erreichen können. Durch die Kombination von relationalen Reasoning, in-context-Lernen und natürlicher Sprachenschnittstelle wird ein neues Paradigma für predictives KI eingeführt.

Wenn dieser Ansatz weit verbreitet wird, könnte er die Art und Weise, wie Unternehmen mit ihren Daten interagieren, neu definieren – predictives Analytics von einem komplexen, verzögerten Prozess in eine Echtzeit-, organisationsweite Fähigkeit umwandeln.