Kumo lance KumoRFM-2, un modèle de base conçu pour remplacer l’apprentissage automatique traditionnel d’entreprise

Kumo a présenté KumoRFM-2, un modèle de base de nouvelle génération conçu spécifiquement pour les données structurées d’entreprise, marquant un changement fondamental dans la façon dont les organisations génèrent des prédictions à partir de leurs entrepôts de données. Contrairement aux pipelines d’apprentissage automatique traditionnels qui nécessitent des mois de conception de fonctionnalités et de développement de modèles personnalisés, KumoRFM-2 permet aux équipes de générer des prédictions instantanément à l’aide du langage naturel, sans formation ni expertise spécialisée.

Au cœur du modèle, il représente une nouvelle catégorie d’IA : un modèle de base relationnel qui fonctionne directement sur les structures de données d’entreprise plutôt que de les aplatir en tables simplifiées. Cette distinction répond à l’une des limites les plus persistantes de l’IA d’entreprise, où les relations précieuses entre les ensembles de données sont souvent perdues avant même que la modélisation ne commence.

Des pipelines statiques aux systèmes prédictifs en temps réel

L’analyse prédictive d’entreprise a historiquement été lente et gourmande en ressources. Chaque nouveau cas d’utilisation – que ce soit la prédiction de l’abandon, la détection de la fraude ou la prévision de la demande – nécessite généralement un pipeline séparé, impliquant le nettoyage des données, la conception de fonctionnalités, la formation de modèles et la mise à l’échelle.

KumoRFM-2 remplace tout ce flux de travail par un seul système pré-formé.

Au lieu de construire des modèles, les utilisateurs définissent ce qu’ils veulent prédire. Le modèle interprète la demande, construit le contexte nécessaire à partir de la base de données sous-jacente et produit des prédictions en une seule passe. Cela est rendu possible grâce à une combinaison d’apprentissage en contexte et d’une interface déclarative appelée Langage de requête prédictive (PQL), où les utilisateurs expriment le résultat qu’ils souhaitent plutôt que les étapes nécessaires pour le calculer.

Le résultat est un passage de la « construction de modèles » à la « pose de questions » – un changement qui abaisse considérablement la barrière à l’utilisation de l’IA prédictive dans toute l’organisation.

Pourquoi les données relationnelles ont-elles été si difficiles

La plupart des systèmes d’IA existants ont du mal avec les données structurées d’entreprise pour une raison simple : ils les traitent incorrectement.

Les modèles traditionnels, y compris de nombreux systèmes d’IA tabulaires et même de grands modèles de langage, reposent sur l’aplatissement des données en une seule table. Mais les données d’entreprise réelles existent sous forme de systèmes interconnectés – les clients liés aux transactions, les transactions liées aux produits, les produits liés à l’inventaire, le tout évoluant dans le temps.

L’aplatissement de cette structure supprime les relations qui contiennent souvent les signaux prédictifs les plus précieux. Cela oblige également les équipes à recréer manuellement ces signaux par l’ingénierie des fonctionnalités, un processus qui est à la fois chronophage et sujet à des erreurs.

KumoRFM-2 évite tout cela en fonctionnant directement sur les bases de données relationnelles, en préservant les connexions entre les tables, les horodatages et les entités.

À l’intérieur de l’architecture : comment fonctionne KumoRFM-2

L’innovation clé derrière KumoRFM-2 est son architecture de Transformateur de graphique relationnel hiérarchique, qui traite les données à plusieurs niveaux simultanément.

Au premier niveau, le modèle analyse les tables individuelles à l’aide d’une combinaison d’attention de ligne et de colonne. Cela lui permet de comprendre comment les fonctionnalités sont liées au sein d’une table tout en filtrant tôt dans le processus les données non pertinentes ou bruyantes. Importamment, la cible de prédiction est introduite à ce stade, ce qui signifie que le modèle est conditionné à la tâche dès le début.

Au deuxième niveau, le modèle effectue un raisonnement graphique entre les tables. En utilisant les clés étrangères, il relie les données provenant de différentes parties de la base de données – comme relier un profil client à l’historique des achats ou aux modèles de comportement – et identifie les signaux inter-tables qui seraient sinon perdus.

Au troisième niveau, le modèle intègre l’attention inter-échantillons, ce qui lui permet d’apprendre à partir de plusieurs exemples à la fois. Cela lui permet de généraliser à partir d’un nombre relativement faible d’exemples de contexte, plutôt que de nécessiter des jeux de données complets pour la formation.

Cette conception étagée est cruciale. Elle évite l’explosion computationnelle qui résulterait du traitement simultané de chaque point de données, tout en améliorant la précision en filtrant le bruit avant que le raisonnement plus approfondi ne se produise.

L’apprentissage en contexte remplace la formation

Une caractéristique définissante de KumoRFM-2 est sa dépendance à l’apprentissage en contexte plutôt qu’à la formation traditionnelle.

Au lieu de former un modèle pour chaque tâche, KumoRFM-2 est pré-formé une seule fois sur un grand mélange de données synthétiques et de données réelles relationnelles. Lorsqu’un utilisateur soumet une demande de prédiction, le système génère automatiquement un ensemble d’exemples de contexte – de petits sous-graphes de la base de données appariés avec des résultats connus.

Ces exemples servent de guide pour le modèle, lui permettant d’inférer des modèles et de produire des prédictions sans mettre à jour ses poids. Dans la pratique, cela signifie :

• Pas de formation spécifique à la tâche
• Pas d’ingénierie de fonctionnalités
• Pas de réglage de modèle

Même avec autant que 0,2 % des données typiquement nécessaires pour l’apprentissage supervisé, le modèle peut atteindre des performances de pointe.

Performances sur les benchmarks du monde réel

KumoRFM-2 a été évalué sur 41 tâches prédictives couvrant des secteurs tels que le commerce électronique, les soins de santé, les plateformes sociales et les systèmes d’entreprise.

Le modèle surpasse régulièrement les approches d’apprentissage automatique supervisé traditionnelles, y compris les ensembles conçus et les systèmes d’apprentissage relationnel profond. Sur les benchmarks d’entreprise, il dépasse les solutions largement utilisées par des marges significatives, tout en s’améliorant encore lorsqu’il est affiné.

Au-delà de la précision brute, le modèle démontre une robustesse solide :

• Maintient les performances même lorsque de grandes parties des liens relationnels sont manquantes
• Gère les données bruyantes ou incomplètes avec une dégradation minimale
• Se comporte bien dans les scénarios de démarrage à froid où les données historiques sont limitées

Cette résilience est particulièrement importante dans les environnements d’entreprise, où la qualité des données est souvent inconsistante.

Conçu pour l’échelle : jusqu’à 500 milliards de lignes

KumoRFM-2 est conçu pour fonctionner à l’échelle de l’infrastructure de données moderne.

Le système peut traiter des ensembles de données dépassant 500 milliards de lignes en combinant l’exécution native de la base de données avec un moteur de graphique personnalisé capable d’un accès aux données à haut débit. Au lieu de déplacer les données dans un système d’IA distinct, le calcul est poussé directement vers l’endroit où se trouvent les données – que ce soit dans les bases de données SQL ou les entrepôts de données cloud.

Cette approche réduit la latence, simplifie le déploiement et permet aux organisations d’intégrer des capacités prédictives directement dans leurs flux de travail existants.

Langage naturel en tant qu’interface

Une autre caractéristique définissante est l’interface de langage naturel du modèle.

Les utilisateurs peuvent poser des questions comme :

• Quels clients sont susceptibles d’abandonner dans les 30 prochains jours ?
• Quels prospects sont les plus susceptibles de se convertir ?
• Quels produits verront une augmentation de la demande ?

Le système traduit ces requêtes en logique prédictive structurée, les exécute sur les données sous-jacentes et renvoie à la fois des prédictions et des explications.

Cela ne rend pas seulement l’analyse prédictive plus accessible, mais permet également l’intégration avec les agents d’IA, où les prédictions peuvent être intégrées dans des flux de travail de prise de décision automatisés.

Vers l’intelligence d’entreprise pilotée par les agents

KumoRFM-2 est conçu avec les agents en tête.

Ses capacités prédictives peuvent être exposées sous forme de « compétences » modulaires que les agents d’IA peuvent appeler dans le cadre de flux de travail plus larges. Cela transforme la modélisation prédictive en un bloc de construction composable – quelque chose qui peut être combiné avec la récupération, le raisonnement et l’exécution dans les systèmes autonomes.

Dans ce contexte, le modèle n’est pas seulement un outil pour les analystes, mais une couche fondamentale pour l’automatisation d’entreprise de nouvelle génération.

Rédefinition du rôle de la science des données

KumoRFM-2 signale un changement plus large dans la façon dont les organisations abordent la science des données.

Au lieu de construire et de maintenir des dizaines de modèles spécifiques à la tâche, les équipes peuvent s’appuyer sur un seul système polyvalent qui s’adapte instantanément à de nouveaux problèmes. Cela réduit le besoin d’expertise spécialisée en ingénierie de fonctionnalités et en réglage de modèle, tout en permettant une expérimentation et une itération plus rapides.

Pour de nombreuses organisations, cela pourrait signifier passer d’une fonction de science des données centralisée à un modèle plus distribué, où les informations prédictives sont accessibles à travers plusieurs départements.

Une nouvelle catégorie de modèles de base

Alors que les modèles de base ont déjà transformé des domaines comme le langage et la vision, les données structurées d’entreprise sont restées l’une des dernières frontières.

KumoRFM-2 représente un exemple précoce de ce que les modèles de base spécialisés pour les données structurées peuvent accomplir. En combinant le raisonnement relationnel, l’apprentissage en contexte et l’interaction en langage naturel, il introduit un nouveau paradigme pour l’IA prédictive.

Si cette approche est largement adoptée, elle pourrait redefinir la façon dont les entreprises interagissent avec leurs données – transformant l’analyse prédictive d’un processus complexe et retardé en une capacité en temps réel et à l’échelle de l’organisation.