Η Kumo Εκκινεί το KumoRFM-2, Ένα Μοντέλο Ίδρυσης που Κατασκευάζεται για να Αντικαταστήσει τις Παραδοσιακές Επιχειρηματικές Μηχανές Μάθησης

Kumo έχει παρουσιάσει το KumoRFM-2, ένα μοντέλο ιδρύματος της επόμενης γενιάς που σχεδιάστηκε ειδικά για δομημένα επιχειρηματικά δεδομένα, σηματοδοτώντας μια θεμελιώδη αλλαγή στο πώς οι οργανισμοί παράγουν προβλέψεις από τα αποθετήρια δεδομένων τους. Σε αντίθεση με τις παραδοσιακές πipelines μηχανικής μάθησης που απαιτούν μήνες μηχανικής χαρακτηριστικών και εξειδικευμένης ανάπτυξης μοντέλων, το KumoRFM-2 επιτρέπει στις ομάδες να παράγουν προβλέψεις άμεσα χρησιμοποιώντας φυσική γλώσσα, χωρίς εκπαίδευση ή εξειδικευμένη εμπειρογνωσία.

Στην καρδιά του, το μοντέλο αντιπροσωπεύει μια νέα κατηγορία AI: ένα μοντέλο ιδρύματος που λειτουργεί直接 στα δομημένα επιχειρηματικά δεδομένα και όχι στο να τα ισοπεδώσει σε απλές πίνακες. Αυτή η διάκριση αντιμετωπίζει einen από τους πιο επίμονες περιορισμούς στις επιχειρηματικές AI, όπου οι πολύτιμες σχέσεις μεταξύ των συνόλων δεδομένων συχνά χάνονται πριν ακόμη αρχίσει η μοντελοποίηση.

Από Στατικές Πipelines σε Πραγματικό Χρόνο Προβλεπτικά Συστήματα

Η προβλεπτική ανάλυση επιχειρήσεων επιχειρήσεων έχει ιστορικά sido αργή και πλούσια σε πόρους. Κάθε νέα περίπτωση χρήσης – είτε πρόβλεψη εγκατάλειψης, ανίχνευση απάτης, είτε πρόβλεψη ζήτησης – τυπικά απαιτεί μια ξεχωριστή pipeline, που περιλαμβάνει καθαρισμό δεδομένων, μηχανική χαρακτηριστικών, εκπαίδευση μοντέλων και ρύθμιση.

Το KumoRFM-2 αντικαθιστά ολόκληρη αυτή τη ροή εργασιών με ένα単ο pre-εκπαιδευμένο σύστημα.

Αντί να κατασκευάζουν μοντέλα, οι χρήστες ορίζουν τι θέλουν να προβλέψουν. Το μοντέλο ερμηνεύει το αίτημα, κατασκευάζει το απαραίτητο контекст από την υποκείμενη βάση δεδομένων και παράγει προβλέψεις σε μια seule διαδρομή. Αυτό γίνεται δυνατό μέσω μιας συνδυασμού in-context μάθησης και μιας δηλωτικής διεπαφής που ονομάζεται Γλώσσα Προβλεπτικών Ερωτημάτων (PQL), όπου οι χρήστες εκφράζουν το αποτέλεσμα που τους ενδιαφέρει και όχι τα βήματα που απαιτούνται για την υπολογισμό του.

Το αποτέλεσμα είναι μια αλλαγή από “κατασκευή μοντέλων” σε “ερώτηση” – μια αλλαγή που μειώνει σημαντικά το εμπόδιο για την χρήση προβλεπτικής AI σε όλη την οργάνωση.

Γιατί τα Δεδομένα Σχέσεων Έχουν BEEN इतनά Δύσκολα

Οι περισσότερες υπάρχουσες системы AI δυσκολεύονται με δομημένα επιχειρηματικά δεδομένα για έναν απλό λόγο: τις αντιμετωπίζουν λανθασμένα.

Τα παραδοσιακά μοντέλα, συμπεριλαμβανομένων πολλών πινάκων AI συστημάτων και ακόμη και μεγάλων μοντέλων γλώσσας, βασίζονται στην ισοπέδωση των δεδομένων σε einen πίνακα. Αλλά τα πραγματικά επιχειρηματικά δεδομένα υπάρχουν ως διασυνδεδεμένα συστήματα – πελάτες συνδεδεμένοι με συναλλαγές, συναλλαγές συνδεδεμένες με προϊόντα, προϊόντα συνδεδεμένα με αποθέματα, όλα εξελίσσονται με το χρόνο.

Η ισοπέδωση αυτής της δομής αφαιρεί τις σχέσεις που συχνά περιέχουν τα πιο πολύτιμα προβλεπτικά σήματα. Επίσης, αναγκάζει τις ομάδες να αναδημιουργήσουν αυτά τα σήματα μέσω μηχανικής χαρακτηριστικών, μια διαδικασία που είναι και χρονοβόρα και ευάλωτη σε λάθη.

Το KumoRFM-2 αποφεύγει αυτό εντελώς λειτουργώντας直接 στις σχεσιακές βάσεις δεδομένων, διατηρώντας τις συνδέσεις μεταξύ πινάκων, χρονοσειρών και οντοτήτων.

Μέσα στη Δομή: Πώς Λειτουργεί το KumoRFM-2

Η κλειδί καινοτομία πίσω από το KumoRFM-2 είναι η ιεραρχική Δομή Μετασχηματισμού Γραφικής Σχέσης, η οποία επεξεργάζεται δεδομένα σε πολλαπλά επίπεδα ταυτόχρονα.

Στο πρώτο επίπεδο, το μοντέλο αναλύει τους μεμονωμένους πίνακες χρησιμοποιώντας eine συνδυασμού row και column προσοχής. Αυτό επιτρέπει να κατανοήσει πώς τα χαρακτηριστικά σχετίζονται εντός eines πίνακα ενώ φιλτράρει τα άσχετα ή θορυβώδη δεδομένα νωρίς στη διαδικασία. Σημαντικά, ο στόχος πρόβλεψης εισάγεται σε αυτό το στάδιο, που σημαίνει ότι το μοντέλο είναι συνδεδεμένο με την εργασία από την αρχή.

Στο δεύτερο επίπεδο, το μοντέλο εκτελεί γραφική λογική μεταξύ πινάκων. Χρησιμοποιώντας ξένα κλειδιά σχέσεων, συνδέει δεδομένα από διαφορετικά μέρη της βάσης δεδομένων – όπως συνδέοντας ένα προφίλ πελάτη με ιστορικό αγορών ή συμπεριφορικές τάσεις – και αναγνωρίζει διαπινάκια σήματα που θα χαθούν αλλιώς.

Στο τρίτο επίπεδο, το μοντέλο ενσωματώνει δια-δείγμα προσοχή, επιτρέποντας να μάθει από πολλαπλά παραδείγματα ταυτόχρονα. Αυτό επιτρέπει να γενικεύσει από ένα σχετικά μικρό αριθμό παραδειγμάτων контекστ, αντί να απαιτεί πλήρη datasets εκπαίδευσης.

Αυτή η σταδιακή σχεδίαση είναι κρίσιμη. Αποφεύγει την εκρηκτική επεξεργασία που θα προέκυπτε από την επεξεργασία κάθε δεδομένου σημείου ταυτόχρονα, ενώ επίσης βελτιώνει την ακρίβεια φιλτράροντας το θόρυβο πριν από τη βαθύτερη λογική.

Μάθηση στο Κοντέκστ Αντικαθιστά την Εκπαίδευση

Μια οριστική特徵 του KumoRFM-2 είναι η εξάρτησή του από μάθηση στο κοντέκστ αντί της παραδοσιακής εκπαίδευσης.

Αντί να εκπαιδεύει ένα μοντέλο για κάθε εργασία, το KumoRFM-2 είναι pre-εκπαιδευμένο μια φορά σε ένα μεγάλο μείγμα συνθετικών και πραγματικών δεδομένων σχέσεων. Όταν ένας χρήστης υποβάλλει ένα αίτημα πρόβλεψης, το σύστημα αυτόματα γεννάει ένα σύνολο παραδειγμάτων κοντέκστ – μικρά υπογράφματα της βάσης δεδομένων που συνδυάζονται με γνωστά αποτελέσματα.

Αυτά τα παραδείγματα λειτουργούν ως οδηγίες για το μοντέλο, επιτρέποντάς του να συναγάγει μοτίβα και να παράγει προβλέψεις χωρίς να ενημερώνει τα βάρη του. Στην πράξη, αυτό σημαίνει:

• Χωρίς εκπαίδευση εργασίας
• Χωρίς μηχανική χαρακτηριστικών
• Χωρίς ρύθμιση μοντέλων

Ακόμη και με όσο λίγο như 0,2% των δεδομένων που τυπικά απαιτούνται για την επιβλεπόμενη μάθηση, το μοντέλο μπορεί να επιτύχει την κορυφαία απόδοση.

Επιδόσεις σε Πραγματικές Βάσεις

Το KumoRFM-2 έχει αξιολογηθεί σε 41 προβλεπτικές εργασίες που εκτείνονται σε βιομηχανίες όπως η ηλεκτρονική εμπορία, η υγεία, οι κοινωνικές πλατφόρμες και τα επιχειρηματικά συστήματα.

Το μοντέλο υπερέχει συνεχώς τις παραδοσιακές επιβλεπόμενες προσεγγίσεις μηχανικής μάθησης, συμπεριλαμβανομένων των σχεδιασμένων συνόλων και των συστημάτων βαθιάς μάθησης σχέσεων. Σε επιχειρηματικές βάσεις, υπερέχει τις ευρέως χρησιμοποιούμενες λύσεις με σημαντικά περιθώρια, ενώ επίσης βελτιώνει την απόδοση όταν ρυθμίζεται.

Πέρα από την καθαρή ακρίβεια, το μοντέλο δείχνει ισχυρή αντοχή:

• Διατηρεί την απόδοση ακόμη και όταν μεγάλα τμήματα των σχεσιακών συνδέσεων λείπουν
• Χειρίζεται θορυβώδη ή ελλιπή δεδομένα με ελάχιστη υποβάθμιση
• Εκτελείται καλά σε σενάρια εκκίνησης όπου τα ιστορικά δεδομένα είναι περιορισμένα

Αυτή η αντοχή είναι ιδιαίτερα σημαντική σε επιχειρηματικά περιβάλλοντα, όπου η ποιότητα των δεδομένων είναι συχνά ασυνεπής.

Κατασκευασμένο για Κλίμακα: Έως 500 Δισεκατομμύρια Γραμμές

Το KumoRFM-2 είναι σχεδιασμένο για να λειτουργεί στην κλίμακα της σύγχρονης υποδομής δεδομένων.

Το σύστημα μπορεί να επεξεργαστεί datasets που υπερβαίνουν τις 500 δισεκατομμύρια γραμμές συνδυάζοντας την εκτέλεση της βάσης δεδομένων με einen προσαρμοσμένο μηχανισμό γραφικής που είναι ικανός για υψηλής απόδοσης πρόσβαση δεδομένων. Αντί να μεταφέρει δεδομένα σε ένα ξεχωριστό σύστημα ML, η υπολογισμός μεταφέρεται直接 στο σημείο όπου βρίσκονται τα δεδομένα – είτε σε SQL βάσεις δεδομένων είτε σε cloud αποθήκες δεδομένων.

Αυτή η προσέγγιση μειώνει την καθυστέρηση, απλοποιεί την ανάπτυξη και επιτρέπει στις οργανώσεις να ενσωματώσουν προβλεπτικές ικανότητες直接 στις υπάρχουσες εργασίες.

Φυσική Γλώσσα ως Διεπαφή

Μια άλλη οριστική đặc徵 είναι η φυσική γλώσσα διεπαφής του μοντέλου.

Οι χρήστες μπορούν να κάνουν ερωτήσεις όπως:

• Ποιοι πελάτες είναι πιθανό να εγκαταλείψουν τις επόμενες 30 ημέρες;
• Ποιοι πελάτες είναι πιο πιθανό να μετατρέψουν;
• Ποια προϊόντα θα δουν αύξηση ζήτησης;

Το σύστημα μεταφράζει αυτές τις ερωτήσεις σε δομημένη προβλεπτική λογική, τις εκτελεί στα υποκείμενα δεδομένα και επιστρέφει cả προβλέψεις και εξηγήσεις.

Αυτό δεν μόνο κάνει την προβλεπτική ανάλυση πιο προσιτή, αλλά επίσης επιτρέπει την ενσωμάτωση με AI agents, όπου οι προβλέψεις μπορούν να ενσωματωθούν σε αυτόματες διαδικασίες λήψης αποφάσεων.

Προς την Κατεύθυνση των Επιχειρηματικών Νοημοσύνων

Το KumoRFM-2 είναι σχεδιασμένο με τους agents στο μυαλό.

Οι προβλεπτικές ικανότητές του μπορούν να εκτεθούν ως modulares “ισχύς” που οι AI agents μπορούν να καλέσουν ως μέρος μεγαλύτερων εργασιών. Αυτό μετατρέπει την προβλεπτική μοντελοποίηση σε ένα composable δομικό στοιχείο – κάτι που μπορεί να συνδυαστεί με ανάκτηση, λογική και εκτέλεση σε αυτόνομες συστήματα.

Σε αυτό το контέκστ, το μοντέλο δεν είναι μόνο ένα εργαλείο για τους αναλυτές, αλλά ένα θεμελιώδες επίπεδο για την επόμενη γενιά επιχειρηματικής αυτοματοποίησης.

Επανακαθορίζοντας τον Ρόλο της Επιστήμης Δεδομένων

Το KumoRFM-2 σηματοδοτεί μια ευρύτερη αλλαγή στο πώς οι οργανισμοί προσεγγίζουν την επιστήμη δεδομένων.

Αντί να κατασκευάζουν και να διατηρούν δεκάδες εργασίες-μοντέλα, οι ομάδες μπορούν να βασιστούν σε ένα單ο, γενικής χρήσης σύστημα που προσαρμόζεται σε νέες εργασίες άμεσα. Αυτό μειώνει την ανάγκη για εξειδικευμένη εμπειρογνωσία στη μηχανική χαρακτηριστικών και ρύθμιση μοντέλων, ενώ επίσης επιτρέπει γρηγορότερη πειραματισμός και επανάληψη.

Για πολλές οργανώσεις, αυτό μπορεί να σημαίνει την κίνηση από μια κεντρική λειτουργία επιστήμης δεδομένων σε ένα πιο κατανεμημένο μοντέλο, όπου οι προβλεπτικές εικόνες είναι προσιτές σε πολλαπλά τμήματα.

Μια Νέα Κατηγορία Μοντέλων Ίδρυσης

Ενώ τα μοντέλα ιδρύματος έχουν ήδη μετασχηματίσει τομείς όπως η γλώσσα και η όραση, τα δομημένα επιχειρηματικά δεδομένα έχουν παραμείνει ένα από τα τελευταία σύνορα.

Το KumoRFM-2 αντιπροσωπεύει ένα πρώιμο παράδειγμα того που μπορούν να επιτύχουν τα εξειδικευμένα μοντέλα ιδρύματος για δομημένα δεδομένα. Συνδυάζοντας σχεσιακή λογική, μάθηση στο κοντέκστ και φυσική γλώσσα, εισάγει μια νέα παραδειγματική για προβλεπτική AI.

Εάν υιοθετηθεί ευρέως, αυτή η προσέγγιση θα μπορούσε να επανακαθορίσει τον τρόπο με τον οποίο οι επιχειρήσεις αλληλεπιδρούν με τα δεδομένα τους – μετατρέποντας την προβλεπτική ανάλυση από μια σύνθετη, καθυστερημένη διαδικασία σε μια πραγματικού χρόνου, οργανωτική ικανότητα.