Kumo משגרת KumoRFM-2, מודל יסוד עבור החלפת למידת מכונה מסורתית בתאגידים

Kumo השיקה KumoRFM-2, מודל יסוד דור הבא שתוכנן במיוחד עבור נתונים מובנים של תאגידים – מהווה שינוי מהותי בדרך שבה ארגונים מייצרים חיזויים ממאגרי הנתונים שלהם. לא כמו צינורות למידת מכונה מסורתיים הדורשים חודשים של הנדסת תכונות ופיתוח מודל מותאם אישית, KumoRFM-2 מאפשר לצוותים לייצר חיזויים באופן מיידי באמצעות שפה טבעית, ללא הכשרה או התמחות מיוחדת.

בליבתו, המודל מייצג קטגוריה חדשה של AI: מודל יסוד יחסי הפועל ישירות על מבני נתונים של תאגידים ולא מישט אותם לטבלאות מופשטות. הבחנה זו פותרת אחד מהמגבלות העיקשות ביותר ב-AI של תאגידים, שבהן יחסים בעלי ערך בין סטים של נתונים לעיתים קרובות אבודים לפני שהדגמה אפילו מתחילה.

מצינורות סטטיים למערכות חיזוי בזמן אמת

ניתוחים חיזויים של תאגידים היסטורית היה איטי וצורך משאבים. כל מקרה שימוש חדש – האם חיזוי נטישה, גילוי הונאה או תחזית ביקוש – בדרך כלל דורש צינור נפרד, הכולל ניקוי נתונים, הנדסת תכונות, אימון מודל וכיול.

KumoRFM-2 מחליף את כל הזרימה העבודה עם מערכת מוכנה מראש.
במקום לבנות מודלים, משתמשים מגדירים מה הם רוצים לחזות. המודל מפרש את הבקשה, בונה את ההקשר הנדרש מהמסד הנתונים התחתון, ומייצר חיזויים בפעם אחת. זה מושג באמצעות שילוב של למידה בהקשר וממשק הצהרתי הנקרא שפת שאילתה חיזוית (PQL), שבו משתמשים מבטאים את התוצאה שהם שואפים לה, במקום את הצעדים הנדרשים לחישוב אותה.

התוצאה היא מעבר מ”בניית מודלים” ל”שאילת שאלות” – שינוי שמוריד באופן משמעותי את המחסום לשימוש ב-AI חיזויית ברחבי הארגון.

למה נתונים יחסיים היה כל כך קשה

רוב מערכות ה-AI הקיימות מתקשות עם נתונים מובנים של תאגידים מסיבה פשוטה: הם מטפלים בהם באופן לא נכון.

מודלים מסורתיים, כולל מערכות AI טבלאיות רבות ואפילו מודלי שפה גדולים, סומכים על מישוט נתונים לטבלה בודדת. אבל נתונים של עולם האמיתי של תאגידים קיימים כמערכות מחוברות – לקוחות מחוברים לעסקאות, עסקאות מחוברות למוצרים, מוצרים מחוברים למלאי, הכל משתנה במהלך הזמן.

מישוט מבנה זה מסיר את היחסים שלרוב מכילים את האותות החיזויים היקרים ביותר. זה גם מאלץ צוותים ליצור מחדש אותם אותות דרך הנדסת תכונות, תהליך שהוא שנוי בטעויות וצורך זמן.

KumoRFM-2 מחליף את זה לחלוטין על ידי פעולה ישירות על מסדי נתונים יחסיים, שומר על חיבורים בין טבלאות, תאריכים וישויות.

בתוך הארכיטקטורה: איך KumoRFM-2 עובד

החידוש המרכזי מאחורי KumoRFM-2 הוא ארכיטקטורת Relational Graph Transformer היררכי, המעבד נתונים במספר רמות בו זמנית.

ברמה הראשונה, המודל מנתח טבלאות בודדות באמצעות שילוב של תשומת לב שורה ועמודה. זה מאפשר לו להבין כיצד תכונות קשורות בתוך טבלה בעודו מסנן מוקדם מידע לא רלוונטי או רעשני. חשוב, היעד החיזוי מוצג בשלב זה, מה שאומר שהמודל מותנה על המשימה מההתחלה.

ברמה השנייה, המודל מבצע תהליך גרפי בין טבלאות. באמצעות מפתחות זרים, הוא מחבר נתונים מחלקים שונים של המסד – כמו לינק לקוח להיסטוריית רכישה או דפוסי התנהגות – ומזהה אותות חיצוניים שהיו אבודים.

ברמה השלישית, המודל משלב תשומת לב חוצת דוגמאות, מאפשר לו ללמוד ממספר דוגמאות בו זמנית. זה מאפשר לו לכלל מספר קטן יחסית של דוגמאות הקשר, במקום לדרוש סטים מלאים של אימון.

עיצוב זה הוא ביקורתי. הוא מונע את הפיצוץ החישובי שיקרה מעיבוד כל נקודת נתונים בו זמנית, וגם משפר דיוק על ידי סינון רעש לפני תהליכי היגיון עמוקים יותר.

למידה בהקשר מחליפה אימון

תכונה מגדירה של KumoRFM-2 היא תלותה בלמידה בהקשר במקום אימון מסורתי.

במקום לאמ