Kumo julkaisee KumoRFM-2:n, perusmallin, joka on suunniteltu korvaamaan perinteinen yritysten koneoppiminen

Kumo on esittänyt KumoRFM-2:n, seuraavan sukupolven perusmallin, joka on suunniteltu erityisesti rakenteellisten yritysdatan käyttöön — merkiten perustavanlaatuista muutosta siinä, miten organisaatiot luovat ennusteita tietovarastoistaan. Toisin kuin perinteiset koneoppimisputkit, jotka vaativat kuukausia piirretekniikkaa ja mukautettua mallikehitystä, KumoRFM-2 mahdollistaa tiimien luominen ennusteita välittömästi luonnollisen kielen avulla, ilman koulutusta tai erikoisosaamista.

Mallin ydin edustaa uudenlainen kategorian tekoälyä: relationaalisia perusmalleja, jotka toimivat suoraan yritysdatarakenteiden kanssa eikä tasaa niitä yksinkertaisiin taulukoihin. Tämä ero korjaa yhden yritysten tekoälyn pysyvimmistä rajoituksista, jossa arvokkaita suhteita tietojoukkojen välillä usein menetetään ennen mallin muodostamista.

Staattisista putkista reaaliaikaisiin ennustemalliin

Yritysten ennustavan analytiikan on perinteisesti ollut hidasta ja resursseja vaativaa. Jokainen uusi käyttötapaus — olipa kyse asiakkaan lojaalisuuden ennustamisesta, petosten havaitsemisesta tai kysynnän ennustamisesta — vaatii yleensä erillisen putken, joka käsittää tietojen puhdistamisen, piirretekniikan, mallin koulutuksen ja säätämisen.

KumoRFM-2 korvaa koko työnkulun yhdellä, esikoulutetulla järjestelmällä.

Sen sijaan, että rakentaisivat malleja, käyttäjät määrittelevät, mitä he haluavat ennustaa. Malli tulkitsee pyynnön, rakentaa tarvittavan kontekstin perustietokannasta ja tuottaa ennusteet yhdellä kertaa. Tämä on mahdollista yhdistämällä kontekstissä oppiminen ja deklaratiivinen käyttöliittymä, jota kutsutaan Predictive Query Language (PQL):ksi, jossa käyttäjät ilmaisevat lopputuloksen, josta he pitävät, eivätkä askelia, joita tarvitaan laskemaan se.

Tuloksena on siirtymä ”mallien rakentamisesta” ”kysymyksiin” — muutos, joka alentaa merkittävästi esteen tekoälynnusteen käytölle koko organisaatiossa.

Miksi relationaaliset tiedot ovat olleet niin vaikeita

Useimmat olemassa olevat tekoälyjärjestelmät kamppailevat rakenteellisten yritystietojen kanssa yksinkertaisesta syystä: ne käsittelevät niitä väärin.

Perinteiset mallit, mukaan lukien monet taulukkomuotoiset tekoälyjärjestelmät ja jopa suuret kielimallit, riippuvat tietojen tasauksesta yhteen taulukkoon. Mutta todelliset yritystiedot ovat tosiasiallisia, toisiinsa liittyviä järjestelmiä — asiakkaat liittyvät transaktioihin, transaktiot liittyvät tuotteisiin, tuotteet liittyvät varastoon, kaikki kehittyvät ajan myötä.

Tietojen tasaus poistaa suhteet, jotka usein sisältävät arvokkaimmat ennustesignaalit. Se myös pakottaa tiimit luomaan nämä signaalit uudelleen piirretekniikan avulla, prosessi, joka on sekä aikaa vievää että altis virheille.

KumoRFM-2 välttää tämän kokonaan toimimalla suoraan relationaalisissa tietokannoissa, säilyttäen yhteydet taulukoiden, aikaleimojen ja olioiden välillä.

Mallin arkkitehtuuri: miten KumoRFM-2 toimii

KumoRFM-2:n avaininnovaatio on sen hierarkkinen Relational Graph Transformer -arkkitehtuuri, joka prosessoi tietoja useilla tasoilla samanaikaisesti.

Ensimmäisellä tasolla malli analysoi yksittäisiä taulukoita yhdistelemällä rivi- ja sarakkeiden huomioon ottamista. Tämä mahdollistaa sille ymmärtää, miten piirteet liittyvät toisiinsa taulukossa, ja suodattaa pois merkityksettömät tai meluisat tiedot prosessin alussa. Tärkeää on, että ennustekohteesta tehdään ilmoitus tässä vaiheessa, mikä tarkoittaa, että malli on ehdollistettu tehtävään alusta alkaen.

Toisella tasolla malli suorittaa graafipohjaista päättelyä taulukoiden välillä. Vieraiden avainsuhteiden avulla se liittää tietoja eri tietokannan osista — kuten asiakkaan profiilin liittäminen ostohistoriaan tai käyttäytymismalleihin — ja tunnistaa taulukoiden välisiä signaaleja, jotka muuten menetettäisiin.

Kolmannella tasolla malli sisällyttää esimerkkitasolla huomioon ottamisen, mikä mahdollistaa sille oppimisen useista esimerkeistä samanaikaisesti. Tämä mahdollistaa sille yleistää suhteellisen pienestä määrästä kontekstiesimerkkejä, eikä vaadi koko koulutusaineistoa.

Tämä vaiheittainen suunnittelu on kriittinen. Se välttää laskennallisen räjähdysvaaran, joka tulisi siitä, että kaikki tietopisteet prosessoidaan samanaikaisesti, ja parantaa myös tarkkuutta suodattamalla melun ennen syvempää päättelyä.

Kontekstissä oppiminen korvaa koulutuksen

KumoRFM-2:n määrittelevä piirre on sen riippuvuus kontekstissä oppimisesta perinteisen koulutuksen sijaan.

Sen sijaan, että koulutettaisiin malli kullekin tehtävälle, KumoRFM-2 on koulutettu kerran suurelle sekoitukselle synthetic ja todellisen maailman relationaalisista tietoja. Kun käyttäjä lähettää ennustepyynnön, järjestelmä luo automaattisesti joukon kontekstiesimerkkejä — pieniä aligraafeja tietokannasta, joissa on yhdistetty tunnetut tulokset.

Nämä esimerkit toimivat ohjaamisena mallille, jotta se voi päätellä kuvioita ja tuottaa ennusteita ilman mallin painoarvon päivittämistä. Käytännössä tämä tarkoittaa:

• Ei tehtäväkohtaista koulutusta
• Ei piirretekniikkaa
• Ei mallin säätöä

Jopa 0,2 %:lla tyypillisesti koneoppimiselle vaaditusta tiedosta malli voi saavuttaa huipputason suorituskyvyn.

Suorituskyky todellisissa benchmarkkeissä

KumoRFM-2 on arvioitu 41 ennustustehtävän yli, jotka kattavat aloja, kuten verkkokauppa, terveydenhuolto, sosiaaliset alustat ja yritysjärjestelmät.

Malli ylittää johdonmukaisesti perinteiset valvotut koneoppimismenetelmät, mukaan lukien suunnitellut kokoonpanot ja relationaaliset syvät oppimisjärjestelmät. Yritysbenchmarkkeissä se ylittää laajalti käytettyjä ratkaisuja merkittävillä marginaaleilla ja parantaa edelleen, kun se on hienosäädetty.

Raw-akkuraatteuden lisäksi malli osoittaa vahvaa robustisuutta:

• Ylläpitää suorituskykyä, vaikka suuria osia relationaalisista linkkeistä puuttuu
• Hallitsee meluisia tai epätäydellisiä tietoja vähäisellä heikentymisellä
• Suorittaa hyvin kylmässä käynnistyksessä, jossa historialliset tiedot ovat rajoitettuja

Tämä kestävyys on erityisen tärkeää yritysympäristöissä, joissa tietojen laatu on usein epäjohdonmukainen.

Suunniteltu skaalautuvuutta varten: jopa 500 miljardia riviä

KumoRFM-2 on suunniteltu toimimaan modernin tietoinfrastruktuurin mittakaavassa.

Järjestelmä voi prosessoida yli 500 miljardin rivin tietojoukkoja yhdistämällä tietokantayhteensopivan suorituksen mukautettuun graafiinsaajiin, joka pystyy suorittamaan suuren määrän tietojen käyttöä. Sen sijaan, että siirtäisi tietoja erilliseen ML-järjestelmään, laskenta suoritetaan suoraan siellä, missä tiedot sijaitsevat — olipa se SQL-tietokannoissa tai pilvitietovarastoissa.

Tämä lähestymistapa vähentää viivettä, yksinkertaa asennusta ja mahdollistaa organisaatioille integroida ennustevaatimukset suoraan olemassa oleviin työnkulkuihin.

Luonnollinen kieli käyttöliittymänä

Toinen määrittelevä piirre on mallin luonnollinen kieli -käyttöliittymä.

Käyttäjät voivat esittää kysymyksiä, kuten:

• Mitkä asiakkaat ovat todennäköisesti lojaaleja seuraavien 30 päivän aikana?
• Mitkä johtoja ovat todennäköisesti muuttuvat?
• Mitkä tuotteet näkevät kasvavan kysynnän?

Järjestelmä kääntää nämä kysymykset strukturoiduksi ennustelogiikaksi, suorittaa ne perustietojen yllä ja palauttaa sekä ennusteet että selitykset.

Tämä tekee ennusteanalytiikasta helpommin saatavilla, ja mahdollistaa myös integraation tekoälyagenttien kanssa, joissa ennusteet voidaan upottaa automaattisiin päätöksentekoprosesseihin.

Kohti agenttien ohjaamaa yrityksen älykkyyttä

KumoRFM-2 on suunniteltu agenttien kannalta.

Sen ennustevaatimukset voidaan esittää modulaarisina “taitoina”, joita tekoälyagentit voivat kutsua osana laajempia työnkulkua. Tämä muuttaa ennustemallinnuksen yhdistettävään rakennuspalikkaan — joka voidaan yhdistää hakemiseen, päättelyyn ja suorittamiseen autonomisissa järjestelmissä.

Tässä kontekstissa malli ei ole vain työkalu analyytikoille, vaan perustason kerros seuraavan sukupolven yritysautomaatiolle.

Yritysten tiede uudelleen määritelty

KumoRFM-2 merkitsee laajempaa muutosta siinä, miten organisaatiot lähestyvät tietotiedettä.

Sen sijaan, että rakentaisivat ja ylläpitäisivät kymmeniä tehtäväkohtaisia malleja, tiimit voivat luottaa yhteen yleispätevään järjestelmään, joka sopeutuu uusiin ongelmiin välittömästi. Tämä vähentää tarvetta erikoistuneelle osaamiselle piirretekniikassa ja mallin säätössä, ja mahdollistaa nopeamman kokeilun ja iteroinnin.

Monille organisaatioille tämä voi tarkoittaa siirtymistä keskitetyistä tietotieteellisistä toiminnoista jakautuneempaan malliin, jossa ennustevälineet ovat saatavilla useissa osastossa.

Uusi kategoria perusmalleista

Vaikka perusmallit ovat jo muuttaneet aloja, kuten kieli ja näkemys, rakenteelliset yritystiedot ovat edelleen yksi viimeisistä rajoista.

KumoRFM-2 edustaa varhaisen esimerkin siitä, mitä erikoistuneet perusmallit rakenteellisille tiedoille voivat saavuttaa. Yhdistämällä relationaalisen päättelyn, kontekstissä oppimisen ja luonnollisen kielen vuorovaikutuksen, se esittelee uuden paradigman ennustavalle tekoälylle.

Jos tämä lähestymistapa otetaan laajasti käyttöön, se voisi uudelleenmääritellä, miten yritykset vuorovaikuttavat tietojensa kanssa — muuttaen ennusteanalytiikan monimutkaisesta, viivästyksestä kärsivästä prosessista reaaliaikaiseksi, koko organisaatiota koskevaksi kyvyksi.