Kumo Εκκινεί το KumoRFM-2, Ένα Μοντέλο Ιδρύματος που Κατασκευάζεται για να Αντικαταστήσει τα Παραδοσιακά Επιχειρηματικά Μοντέλα Μηχανικής 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 τρόπο με τον οποίο οι οργανισμοί παράγουν προβλέψεις από τα αποθετήρια δεδομένων τους. Σε αντίθεση με τις παραδοσιακές πipelines μηχανικής μάθησης που απαιτούν μήνες feature engineering και προσαρμοσμένης 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 σχεσιακό μοντέλο ιδρύματος που λειτουργεί απευθείας σε δομημένα επιχειρηματικά δεδομένα 而 όχι σε απλοποιημένα πίνακες. Αυτή η διάκριση αντιμετωπίζει ένα από τα πιο επίμονες περιορισμένα σε επιχειρηματική AI, όπου οι πολύτιμες σχέσεις μεταξύ συνόλων δεδομένων συχνά χάνονται πριν ξεκινήσει η μοντελοποίηση.

Από Στατικές Pipelines σε Συστήματα Προβλέψεων σε Εchtzeit

Επιχειρηματική προβλεπτική ανάλυση έχει ιστορικά sido αργή και πλούσια σε πόρους. Κάθε νέο use case—είτε πρόβλεψη αποχώρησης, ανίχνευση απάτης, ή πρόβλεψη ζήτησης—συνήθως απαιτεί μια ξεχωριστή pipeline, που περιλαμβάνει καθαρισμό δεδομένων, feature engineering, εκπαίδευση μοντέλων, και ρύθμιση.
Το KumoRFM-2 αντικαθιστά ολόκληρη τη ροή εργασιών με ένα seul, pre-εκπαιδευμένο σύστημα.

Αντί να κατασκευάζουν μοντέλα, οι χρήστες ορίζουν τι θέλουν να προβλέψουν. Το μοντέλο ερμηνεύει το αίτημα, κατασκευάζει το αναγκαίο контекст από την υποκείμενη βάση δεδομένων, και παράγει προβλέψεις σε μια seule διαδρομή. Αυτό είναι δυνατό μέσω μιας συνδυασμής in-context μάθησης και μιας δηλωτικής διεπαφής που ονομάζεται Γλώσσα Προβλεπτικών Ερωτημάτων (PQL), όπου οι χρήστες εκφράζουν το αποτέλεσμα που τους ενδιαφέρει 而 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 ολόκληρη την οργάνωση.

Γιατί τα Σχεσιακά Δεδομένα Έχουν BEEN τόσο Δύσκολα

Τα περισσότερα υπάρχοντα συστήματα AI δυσκολεύονται με δομημένα επιχειρηματικά δεδομένα για έναν απλό λόγο: τις αντιμετωπίζουν λάθος.

Παραδοσιακά μοντέλα, συμπεριλαμβανομένων πολλών συστημάτων AI πινάκων και ακόμη και μεγάλων μοντέλων γλώσσας, βασίζονται στο να απλοποιούν τα δεδομένα 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 τον καιρό.

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

Το KumoRFM-2 αποφεύγει αυτό εντελώς λειτουργώντας απευθείας σε σχεσιακές βάσεις δεδομένων, διατηρώντας τις συνδέσεις μεταξύ πινάκων, χρονοσημαντικών και οντοτήτων.

Μέσα στην Αρχιτεκτονική: Πώς Λειτουργεί το KumoRFM-2

Η κλειδί καινοτομία πίσω από το KumoRFM-2 είναι η ιεραρχική Σχεσιακή Γραφική Αρχιτεκτονική Μετασχηματιστών, η οποία επεξεργάζεται τα δεδομένα σε πολλαπλά επίπεδα ταυτόχρονα.

Στο πρώτο επίπεδο, το μοντέλο αναλύει jednotlivούς πίνακες χρησιμοποιώντας μια συνδυασμής row και column προσοχής. Αυτό του επιτρέπει να κατανοήσει πώς οι χαρακτηριστικές σχετίζονται μέσα σε einen πίνακα ενώ φιλτράρει τις άσχετες ή θορυβώδεις δεδομένα νωρίς στη διαδικασία. Σημαντικά, ο στόχος πρόβλεψης εισάγεται σε αυτό το στάδιο, που σημαίνει ότι το μοντέλο είναι προϋπολογισμένο στο έργο από την αρχή.

Στο δεύτερο επίπεδο, το μοντέλο thực hiện γραφική συλλογιστική μεταξύ πινάκων. Χρησιμοποιώντας ξένα κλειδιά σχέσεων, συνδέει δεδομένα από διαφορετικά μέρη της βάσης δεδομένων—όπως σύνδεση ενός πελάτη με ιστορικό αγορών ή συμπεριφορικών προτύπων—και αναγνωρίζει διαπινάκια σήματα που θα χανόταν αλλιώς.

Στο τρίτο επίπεδο, το μοντέλο ενσωματώνει δια-δείγμα προσοχή, επιτρέποντας του να μάθει από πολλά παραδείγματα ταυτόχρονα. Αυτό του επιτρέπει να γενικεύσει από ένα σχετικά μικρό αριθμό παραδειγμάτων контекστ, 而 όχι να απαιτεί πλήρη εκπαιδευτικά συνόλα δεδομένων.

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 τον θόρυβο πριν από τη βαθύτερη συλλογιστική.

Μάθηση σε Κонтέκστ αντικαθιστά την Εκπαίδευση

Ένα οριστικό χαρακτηριστικό του KumoRFM-2 είναι η εξάρτησή του από μάθηση σε контέκστ αντί για παραδοσιακή εκπαίδευση.

Αντί να εκπαιδεύουν ένα μοντέλο για κάθε έργο, το KumoRFM-2 είναι pre-εκπαιδευμένο μία φορά σε ένα μεγάλο μείγμα συνθετικών και πραγματικών σχεσιακών δεδομένων. Όταν ένας χρήστης υποβάλλει ένα αίτημα πρόβλεψης, το σύστημα αυτόματα παράγει ένα σύνολο παραδειγμάτων контекστ—μικρά υπογράφματα της βάσης δεδομένων που ζευγαρώνουν με γνωστά αποτελέσματα.

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

• Όχι έργο-ειδική εκπαίδευση
• Όχι feature engineering
• Όχι ρύθμιση μοντέλου

Ακόμη και με όσο λίγο như 0.2% των δεδομένων που τυπικά απαιτούνται για επιβλεπόμενη μάθηση, το μοντέλο μπορεί να επιτύχει state-of-the-art απόδοση.

Απόδοση σε Πραγματικά Βεντσμάρκ

Το KumoRFM-2 έχει αξιολογηθεί σε 41 προβλεπτικά έργα που διαρκούν βιομηχανίες όπως e-commerce, υγεία, κοινωνικές πλατφόρμες, και επιχειρηματικά συστήματα.

Το μοντέλο συνεχώς υπερβαίνει παραδοσιακές επιβλεπόμενες μηχανικής μάθησης προσεγγίσεις, συμπεριλαμβανομένων κατασκευασμένων συνόλων και σχεσιακών βαθιάς μάθησης συστημάτων. Σε επιχειρηματικά βεντσμάρκ, υπερβαίνει ευρέως χρησιμοποιούμενα λύσεις με σημαντικές περιθωρίες, ενώ επίσης βελτιώνει περαιτέρω όταν ρυθμίζεται.

Πέρα από την ακαδημαϊκή ακρίβεια, το μοντέλο δείχνει ισχυρή ανθεκτικότητα:

• Διατηρεί απόδοση ακόμη και όταν μεγάλα τμήματα σχεσιακών συνδέσμων λείπουν
• Χειρίζεται θορυβώδη ή ελλιπή δεδομένα με ελάχιστη υποβάθμιση
• Εκτελεί καλά σε σενάρια κρύου ξεκινήματος όπου ιστορικά δεδομένα είναι περιορισμένα

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

Κατασκευασμένο για Κλίμακα: Έως 500 Δισεκατομμύρια Γραμμές

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

Το σύστημα μπορεί να επεξεργαστεί συνόλα δεδομένων που υπερβαίνουν τις 500 δισεκατομμύρια γραμμές συνδυάζοντας εκτέλεση βάσης δεδομένων με einen προσαρμοσμένο μηχανισμό γραφήματος που είναι ικανός για υψηλής απόδοσης πρόσβαση δεδομένων. Αντί να μεταφέρει δεδομένα σε ένα ξεχωριστό σύστημα ML, η επεξεργασία推 είναι απευθείας 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 απευθείας σε υπάρχουσες ροές εργασιών.

Φυσική Γλώσσα ως Διεπαφή

Ένα άλλο οριστικό χαρακτηριστικό είναι η φυσική γλώσσα διεπαφής του μοντέλου.

Οι χρήστες μπορούν να κάνουν ερωτήσεις όπως:

• Ποιοι πελάτες είναι πιθανό να αποχωρήσουν μέσα στις επόμενες 30 ημέρες;
• Ποιοι προορισμοί είναι πιο πιθανό να μετατρέψουν;
• Ποια προϊόντα θα δουν αυξημένη ζήτηση;

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

Αυτό δεν μόνο κάνει την προβλεπτική ανάλυση πιο προσιτή, αλλά επίσης επιτρέπει την ενσωμάτωση με AI πράκτορες, όπου οι προβλέψεις μπορούν να ενσωματωθούν σε αυτοματοποιημένες ροές εργασιών.

Προς Πράκτορες-Κίνητη Επιχειρηματική Νοημοσύνη

Το KumoRFM-2 είναι σχεδιασμένο με πράκτορες στο μυαλό.

Οι προβλεπτικές ικανότητές του μπορούν να εκτεθούν ως modulares “ικανότητες” που οι AI πράκτορες μπορούν να καλέσουν ως μέρος μεγαλύτερων ροών εργασιών. Αυτό μετατρέπει την προβλεπτική μοντελοποίηση σε ένα composable κτίριο μπλοκ—κάτι που μπορεί να συνδυαστεί με ανάκτηση, συλλογιστική, και εκτέλεση σε αυτόνομες συστήματα.

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

Επαναπροσδιορίζοντας το 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 έργο-ειδικά μοντέλα, οι ομάδες μπορούν να βασιστούν σε ένα seul, γενικής χρήσης σύστημα που προσαρμόζεται σε νέα προβλήματα άμεσα. Αυτό μειώνει την ανάγκη για εξειδικευμένη εμπειρογνωσία σε feature engineering και ρύθμιση μοντέλων, ενώ επίσης επιτρέπει ταχύτερη πειραματισμός και επανάληψη.

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

Μια Νέα Κατηγορία Μοντέλων Ιδρύματος

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

Το KumoRFM-2 αντιπροσωπεύει ένα πρώιμο παράδειγμα того τι μπορούν να επιτύχουν τα εξειδικευμένα μοντέλα ιδρύματος για δομημένα δεδομένα. Συνδυάζοντας σχεσιακή συλλογιστική, in-context μάθηση, και φυσική γλώσσα διεπαφή, εισάγει một νέα παραδειγματική για προβλεπτική AI.

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