Kumo julkaisee KumoRFM-2:n, perusmallin, joka on suunniteltu korvaamaan perinteinen yrityksen 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 koneoppimismallit, jotka vaativat kuukausia piirrusten suunnittelua ja mukautettua mallin kehittämistä, KumoRFM-2 mahdollistaa tiimien luominen ennusteita välittömästi luonnollisen kielen avulla, ilman koulutusta tai erikoisosaamista.

Mallin ydin edustaa uudenlainen kategorian tekoälyä: relaatioperusteinen perusmalli, joka toimii suoraan yritysdatarakenteiden kanssa eikä tasaa niitä yksinkertaisiin taulukoihin. Tämä ero korjaa yhden pysyvimmistä rajoituksista yritysten tekoälyssä, jossa arvokkaita suhteita tietojoukkojen välillä usein menetetään ennen mallin luomista.

Staattisista putkistoihin reaaliaikaisiin ennustemalliin

Yritysten ennustavan analytiikan on perinteisesti ollut hidasta ja resursseja vaativaa. Jokainen uusi käyttötapa — kuten asiakkaan lojaaliuden ennustaminen, petosten havaitseminen tai kysynnän ennustaminen — vaatii yleensä erillisen putkiston, joka sisältää datan puhdistamisen, piirrusten suunnittelun, mallin koulutuksen ja säätämisen.

KumoRFM-2 korvaa koko tämän työn yhdellä esikoulutetulla järjestelmällä.

Sen sijaan, että rakentaisi malleja, käyttäjät määrittelevät, mitä he haluavat ennustaa. Malli tulkkaa pyynnön, rakentaa tarvittavan kontekstin perustietokannasta ja tuottaa ennusteet yhdellä kertaa. Tämä on mahdollista yhdistämällä kontekstissä oppiminen ja deklaratiivinen käyttöliittymä, jota kutsutaan Ennustava Kyselykieli (PQL), jossa käyttäjät ilmaisevat lopputuloksen, josta he välittävät, eikä askelia, joita tarvitaan laskemaan se.

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

Miksi relaatiotiedot ovat olleet niin vaikeita

Useimmat olemassa olevat tekoälyjärjestelmät kamppailevat rakenteellisten yritysdatan kanssa yksinkertaisesta syystä: ne käsittelevät sitä väärin.

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

Tasauksen poistaa suhteet, jotka usein sisältävät arvokkaimmat ennusteviestit. Se myös pakottaa tiimit luomaan nämä viestit uudelleen käsityönä, prosessi, joka on sekä aikaa vievää että altis virheille.

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

Mallin arkkitehtuuri: miten KumoRFM-2 toimii

KumoRFM-2:n takana oleva avaininnovaatio on sen hierarkkinen Relaatiografikkamuunnosarkkitehtuuri, joka prosessoi tietoja useilla tasoilla samanaikaisesti.

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

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

Kolmannella tasolla malli sisällyttää otoskohtaisen huomioon ottamisen, mikä mahdollistaa oppimisen useista esimerkeistä kerran. Tämä mahdollistaa yleistämisen suhteellisen pienen määrän konteksti-esimerkkien perusteella, eikä vaadi koko koulutusaineistoa.

Tämä vaiheittainen suunnittelu on kriittinen. Se välttää laskennallisen räjähdysvaaran, joka johtuisi kaikkien tietojen samanaikaisesta prosessoinnista, ja parantaa tarkkuutta suodattamalla melun ennen syvempää päättelyä.

Kontekstissä oppiminen korvaa koulutuksen

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

Sen sijaan, että koulutettaisiin malli kullekin tehtävälle, KumoRFM-2 on esikoulutettu kerran suurella sekoituksella synthetic ja todellista relaatiotietoa. Kun käyttäjä lähettää ennustepyynnön, järjestelmä luo automaattisesti joukon konteksti-esimerkkejä — pieniä aliverkkoja tietokannasta, joissa on tunnettuja tuloksia.

Nämä esimerkit toimivat mallille ohjaavana voimana, joka mahdollistaa mallin päätellä kuvioita ja tuottaa ennusteita ilman painoarvojen päivittämistä. Käytännössä tämä tarkoittaa:

• Ei tehtäväkohtaista koulutusta
• Ei piirusten suunnittelua
• Ei mallin säätämistä

Jopa 0,2 %:lla tyypillisesti koneoppimiseen vaadittavasta tiedosta malli voi saavuttaa huipputason suorituskyvyn.

Suorituskyky todellisissa vertailuissa

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

Malli ylittää johdonmukaisesti perinteiset valvotut koneoppimismenetelmät, mukaan lukien suunniteltujen kokoonpanojen ja relaatioperusteisten syvän oppimisen järjestelmien. Yritysvertailuissa se ylittää laajalti käytettyjä ratkaisuja merkittävillä marginaaleilla ja parantaa edelleen, kun se on hienosäädetty.

Raw-akkuraatiossa lisäksi malli osoittaa vahvaa luotettavuutta:

• Pysyy suorituskyvynsä jopa silloin, kun suuria osia relaatiolinkkejä puuttuu
• Handlaa meluisaa tai epätäydellistä tietoa vähäisellä heikentymisellä
• Suoriutuu hyvin kylmässä käynnistyksessä, jossa historiallista tietoa on vähän

Tämä kestävyys on erityisen tärkeää yritysympäristössä, jossa tietojen laatu on usein epäjohdonmukainen.

Rakennettu skaalautumiseen: jopa 500 miljardia rivejä

KumoRFM-2 on suunniteltu toimimaan modernin tietoinfrastruktuurin mittakaavassa.

Järjestelmä voi prosessoida tietoja, jotka ylittävät 500 miljardia rivejä, yhdistämällä tietokantayhteensopivan suorituksen mukautettuun graafimoottoriin, joka pystyy korkean läpäisyn tietojen käyttöön. Sen sijaan, että siirtäisi tietoja erilliseen koneoppimisjärjestelmään, laskenta suoritetaan suoraan siellä, missä tiedot sijaitsevat — olipa se SQL-tietokanta tai pilvitietovarasto.

Tämä lähestymistapa vähentää viivettä, yksinkertaa käyttöönottoa ja mahdollistaa organisaatioiden integroida ennusteviestit suoraan olemassa oleviin työnkulkuihin.

Luonnollinen kieli käyttöliittymänä

Toinen määrittävä piirre on mallin luonnollisen kielen käyttöliittymä.

Käyttäjät voivat esittää kysymyksiä, kuten:

• Mitkä asiakkaat ovat todennäköisesti lojaaleja seuraavien 30 päivän aikana?
• Mitkä johtavat ovat todennäköisesti muuntuvia?
• Mitkä tuotteet näkevät kasvavan kysynnän?

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

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

Kohti agenttien ohjaamaa yrityksen älykkyyttä

KumoRFM-2 on suunniteltu agenteille.

Sen ennusteviestit voidaan esittää modulaarisina “taitoina”, joita tekoälyagentit voivat kutsua osana laajempia työnkulkua. Tämä muuttaa ennustemallin yhdistettäväksi rakennuspalikaksi — joka voidaan yhdistää hakemiseen, päättelyyn ja suorittamiseen autonomisissa järjestelmissä.

Tässä kontekstissa malli ei ole vain työkalu analyytikoille, vaan perustaso tulevaisuuden yritysautomaatiolle.

Yritysten tieteen uudelleenmäärittely

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 asiantuntemukselle piirusten suunnittelussa ja mallin säätämisessä, ja mahdollistaa nopeamman kokeilun ja iteroinnin.

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

Uusi perusmallien kategoria

Vaikka perusmallit ovat jo muuttaneet aloja, kuten kieli ja näkemys, rakenteelliset yritysdat ovat edelleen yksi viimeisiä rajoja.

KumoRFM-2 edustaa varhaisen esimerkin siitä, mitä erikoistuneet perusmallit rakenteellisille tiedoille voivat saavuttaa. Yhdistämällä relaatioperusteisen päättelyn, kontekstissä oppimisen ja luonnollisen kielen vuorovaikutuksen, se esittää uuden paradigman ennusteviestintä varten.

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