कुमो ने कुमोरएफएम-2 लॉन्च किया, एक फाउंडेशन मॉडल जो पारंपरिक एंटरप्राइज मशीन लर्निंग को बदलने के लिए बनाया गया है

कुमो ने कुमोरएफएम-2 का अनावरण किया है, एक अगली पीढ़ी का फाउंडेशन मॉडल जो विशेष रूप से संरचित एंटरप्राइज डेटा के लिए डिज़ाइन किया गया है – यह संगठनों द्वारा अपने डेटा वेयरहाउस से पूर्वानुमान उत्पन्न करने के तरीके में एक मूलभूत परिवर्तन को चिह्नित करता है। पारंपरिक मशीन लर्निंग पाइपलाइनों के विपरीत, जिन्हें फीचर इंजीनियरिंग और कस्टम मॉडल विकास के महीनों की आवश्यकता होती है, कुमोरएफएम-2 टीमों को प्राकृतिक भाषा का उपयोग करके तुरंत पूर्वानुमान उत्पन्न करने में सक्षम बनाता है, प्रशिक्षण या विशेषज्ञता की आवश्यकता नहीं है।

इसके मूल में, मॉडल एक नए प्रकार के एआई का प्रतिनिधित्व करता है: एक संबंधित फाउंडेशन मॉडल जो एंटरप्राइज डेटा संरचनाओं पर सीधे काम करता है, उन्हें सरलीकृत तालिकाओं में समतल करने के बजाय। यह अंतर एंटरप्राइज एआई में सबसे लगातार सीमाओं में से एक को संबोधित करता है, जहां डेटासेट के बीच मूल्यवान संबंध अक्सर मॉडलिंग शुरू होने से पहले ही खो जाते हैं।

स्थिर पाइपलाइन से वास्तविक समय पूर्वानुमान प्रणाली तक

एंटरप्राइज पूर्वानुमान विश्लेषण ऐतिहासिक रूप से धीमा और संसाधन-गहन रहा है। प्रत्येक नए उपयोग के मामले – चाहे वह ग्राहक पलायन की भविष्यवाणी हो, धोखाधड़ी का पता लगाना हो, या मांग की भविष्यवाणी हो – आमतौर पर एक अलग पाइपलाइन की आवश्यकता होती है, जिसमें डेटा साफ करना, फीचर इंजीनियरिंग, मॉडल प्रशिक्षण और ट्यूनिंग शामिल होती है।

कुमोरएफएम-2 पूरी कार्य प्रवाह को एक ही पूर्व-प्रशिक्षित प्रणाली से बदल देता है।

मॉडल बनाने के बजाय, उपयोगकर्ता यह परिभाषित करते हैं कि वे क्या पूर्वानुमान करना चाहते हैं। मॉडल अनुरोध की व्याख्या करता है, अंतर्निहित डेटाबेस से आवश्यक संदर्भ का निर्माण करता है, और एक ही पास में पूर्वानुमान उत्पन्न करता है। यह संदर्भ में सीखने और एक घोषणात्मक इंटरफ़ेस के संयोजन के माध्यम से संभव है जिसे पूर्वानुमानिक प्रश्न भाषा (पीक्यूएल) कहा जाता है, जहां उपयोगकर्ता उस परिणाम को व्यक्त करते हैं जिसकी उन्हें परवाह है, न कि इसकी गणना के लिए आवश्यक चरणों की।

परिणाम एक बदलाव है “मॉडल बनाने” से “प्रश्न पूछने” में – एक परिवर्तन जो संगठन भर में पूर्वानुमानिक एआई का उपयोग करने के लिए बाधा को काफी कम करता है।

संबंधित डेटा इतना कठिन क्यों रहा है

अधिकांश मौजूदा एआई सिस्टम संरचित एंटरप्राइज डेटा के साथ संघर्ष करते हैं एक सरल कारण से: वे इसे गलत तरीके से व्यवहार करते हैं।

पारंपरिक मॉडल, जिनमें कई टेबुलर एआई सिस्टम और यहां तक कि बड़े भाषा मॉडल भी शामिल हैं, डेटा को एक ही तालिका में समतल करने पर निर्भर करते हैं। लेकिन वास्तविक दुनिया के एंटरप्राइज डेटा जुड़े हुए सिस्टम के रूप में मौजूद है – ग्राहक लेन-देन से जुड़े हुए हैं, लेन-देन उत्पादों से जुड़े हुए हैं, उत्पाद इन्वेंट्री से जुड़े हुए हैं, जो सभी समय के साथ विकसित हो रहे हैं।

इस संरचना को समतल करने से अक्सर सबसे मूल्यवान पूर्वानुमानिक संकेतों वाले संबंध हट जाते हैं। यह टीमों को भी मजबूर करता है कि वे इन संकेतों को मैन्युअल रूप से फीचर इंजीनियरिंग के माध्यम से पुनः बनाएं, जो एक समय लेने वाली और त्रुटि के लिए अतिसंवेदनशील प्रक्रिया है।

कुमोरएफएम-2 इसे पूरी तरह से टाल देता है क्योंकि यह संबंधित डेटाबेस पर सीधे काम करता है, तालिकाओं, टाइमस्टैम्प और इकाइयों के बीच कनेक्शन को संरक्षित करता है।

आर्किटेक्चर के अंदर: कुमोरएफएम-2 कैसे काम करता है

कुमोरएफएम-2 के पीछे की मुख्य नवाचार इसकी स्तरीय संबंधित ग्राफ ट्रांसफॉर्मर आर्किटेक्चर है, जो एक ही समय में कई स्तरों पर डेटा को संसाधित करता है।

पहले स्तर पर, मॉडल व्यक्तिगत तालिकाओं का विश्लेषण करता है पंक्ति और कॉलम ध्यान के संयोजन का उपयोग करके। यह इसे तालिका के भीतर विशेषताओं के संबंधों को समझने की अनुमति देता है, जबकि प्रक्रिया की शुरुआत में ही अप्रासंगिक या शोर वाले डेटा को फिल्टर आउट करता है। महत्वपूर्ण रूप से, पूर्वानुमान लक्ष्य इस चरण में पेश किया जाता है, जिसका अर्थ है कि मॉडल शुरू से ही कार्य पर सशर्त है।

दूसरे स्तर पर, मॉडल विदेशी कुंजी संबंधों का उपयोग करके तालिकाओं के बीच ग्राफ-आधारित तर्क करता है – जैसे कि एक ग्राहक प्रोफ़ाइल को खरीद इतिहास या व्यवहार पैटर्न से जोड़ना – और अन्यथा खो जाने वाले क्रॉस-टेबल संकेतों की पहचान करता है।

तीसरे स्तर पर, मॉडल क्रॉस-नमूना ध्यान को एकीकृत करता है, जिससे यह एक ही समय में कई उदाहरणों से सीखने में सक्षम हो जाता है। यह इसे एक छोटी संख्या में संदर्भ उदाहरणों से सामान्यीकरण करने की अनुमति देता है, पूर्ण प्रशिक्षण डेटासेट की आवश्यकता के बजाय।

यह चरणबद्ध डिज़ाइन महत्वपूर्ण है। यह एक ही समय में हर डेटा बिंदु को संसाधित करने से आने वाले गणनात्मक विस्फोट से बचता है, जबकि गहरे तर्क से पहले शोर को फिल्टर आउट करके सटीकता में सुधार भी करता है।

संदर्भ में सीखना प्रशिक्षण को बदल देता है

कुमोरएफएम-2 की एक परिभाषित विशेषता इसकी पारंपरिक प्रशिक्षण के बजाय संदर्भ में सीखने पर निर्भरता है।

प्रत्येक कार्य के लिए मॉडल को प्रशिक्षित करने के बजाय, कुमोरएफएम-2 को एक बार एक बड़े मिश्रण पर पूर्व-प्रशिक्षित किया जाता है सिंथेटिक और वास्तविक दुनिया के संबंधित डेटा। जब एक उपयोगकर्ता एक पूर्वानुमान अनुरोध सबमिट करता है, तो प्रणाली स्वचालित रूप से एक सेट के संदर्भ उदाहरणों का उत्पादन करती है – डेटाबेस के छोटे उपग्राफ जो ज्ञात परिणामों के साथ जोड़े जाते हैं।

इन उदाहरणों का मॉडल के लिए मार्गदर्शन के रूप में कार्य करने की अनुमति दी जाती है, जिससे यह पैटर्न का अनुमान लगा सकता है और प्रशिक्षण के बिना पूर्वानुमान उत्पन्न कर सकता है। अभ्यास में, इसका अर्थ है:

• कार्य-विशिष्ट प्रशिक्षण नहीं
• फीचर इंजीनियरिंग नहीं
• मॉडल ट्यूनिंग नहीं

यहां तक कि पर्यवेक्षित लर्निंग के लिए आमतौर पर आवश्यक डेटा का केवल 0.2% के साथ, मॉडल राज्य-оф-द-आर्ट प्रदर्शन हासिल कर सकता है।

वास्तविक दुनिया के बेंचमार्क पर प्रदर्शन

कुमोरएफएम-2 का 41 पूर्वानुमानिक कार्यों पर मूल्यांकन किया गया है, जिसमें ई-कॉमर्स, स्वास्थ्य सेवा, सामाजिक प्लेटफ़ॉर्म और एंटरप्राइज़ सिस्टम जैसे उद्योग शामिल हैं।

मॉडल पारंपरिक पर्यवेक्षित मशीन लर्निंग दृष्टिकोणों को लगातार बेहतर बनाता है, जिसमें इंजीनियर्ड एन्सेम्बल और संबंधित गहरे शिक्षण प्रणालियां शामिल हैं। एंटरप्राइज बेंचमार्क पर, यह व्यापक रूप से उपयोग की जाने वाली समाधानों से महत्वपूर्ण मार्जिन से बेहतर प्रदर्शन करता है, जबकि जब फ़ाइन-ट्यून किया जाता है तो और भी सुधार होता है।

सटीकता से परे, मॉडल मजबूत लचीलापन प्रदर्शित करता है:

• संबंधित लिंक के बड़े हिस्से गायब होने पर भी प्रदर्शन बनाए रखता है
• शोर या अधूरे डेटा के साथ न्यूनतम गिरावट के साथ संभालता है
• सीमित ऐतिहासिक डेटा वाले कोल्ड-स्टार्ट परिदृश्यों में अच्छा प्रदर्शन करता है

यह लचीलापन विशेष रूप से एंटरप्राइज़ वातावरण में महत्वपूर्ण है, जहां डेटा गुणवत्ता अक्सर असंगत होती है।

स्केल के लिए निर्मित: 500 अरब पंक्तियों तक

कुमोरएफएम-2 आधुनिक डेटा इन्फ्रास्ट्रक्चर के पैमाने पर काम करने के लिए डिज़ाइन किया गया है।

प्रणाली डेटाबेस-मूल निष्पादन को एक कस्टम ग्राफ इंजन के साथ जोड़कर 500 अरब पंक्तियों से अधिक डेटासेट को संसाधित कर सकती है जो उच्च-थ्रूपुट डेटा एक्सेस के लिए सक्षम है। डेटा को एक अलग एमएल सिस्टम में ले जाने के बजाय, गणना सीधे डेटा के निवास स्थान पर धकेल दी जाती है – चाहे वह एसक्यूएल डेटाबेस में हो या क्लाउड डेटा वेयरहाउस में।

यह दृष्टिकोण विलंबता को कम करता है, तैनाती को सरल बनाता है, और संगठनों को अपने मौजूदा कार्यप्रवाह में सीधे पूर्वानुमानिक क्षमताओं को एकीकृत करने की अनुमति देता है।

प्राकृतिक भाषा के रूप में इंटरफ़ेस

एक और परिभाषित विशेषता मॉडल का प्राकृतिक भाषा इंटरफ़ेस है।

उपयोगकर्ता प्रश्न पूछ सकते हैं जैसे:

• कौन से ग्राहक अगले 30 दिनों में पलायन करने की संभावना है?
• कौन से लीड सबसे अधिक परिवर्तित होने की संभावना है?
• कौन से उत्पादों में मांग में वृद्धि होगी?

प्रणाली इन प्रश्नों को संरचित पूर्वानुमानिक तर्क में अनुवादित करती है, उन्हें अंतर्निहित डेटा पर निष्पादित करती है, और पूर्वानुमानों के साथ-साथ स्पष्टीकरण भी लौटाती है।

यह न केवल पूर्वानुमानिक विश्लेषण को अधिक सुलभ बनाता है, बल्कि एआई एजेंटों के साथ एकीकरण को भी सक्षम बनाता है, जहां पूर्वानुमान स्वचालित निर्णय लेने के कार्यप्रवाह में निहित किए जा सकते हैं।

एजेंट-ड्रिवन एंटरप्राइज इंटेलिजेंस की ओर

कुमोरएफएम-2 को एजेंटों के साथ काम करने के लिए डिज़ाइन किया गया है।

इसकी पूर्वानुमानिक क्षमताएं “कौशल” के रूप में उजागर की जा सकती हैं जो एआई एजेंट बड़े कार्यप्रवाह के हिस्से के रूप में कॉल कर सकते हैं। यह पूर्वानुमानिक मॉडलिंग को एक संग्रहणीय निर्माण ब्लॉक में बदल देता है – कुछ ऐसा जो स्वचालित प्रणालियों में पुनर्प्राप्ति, तर्क और निष्पादन के साथ जोड़ा जा सकता है।

इस संदर्भ में, मॉडल विश्लेषकों के लिए एक उपकरण से अधिक है; यह अगली पीढ़ी के एंटरप्राइज ऑटोमेशन के लिए एक मूलभूत परत है।

डेटा विज्ञान की भूमिका को पुनर्परिभाषित करना

कुमोरएफएम-2 संगठनों द्वारा डेटा विज्ञान के दृष्टिकोण में एक व्यापक परिवर्तन का संकेत देता है।

कार्य-विशिष्ट मॉडलों के दर्जनों का निर्माण और रखरखाव करने के बजाय, टीमें एक ही सामान्य-उद्देश्य प्रणाली पर भरोसा कर सकती हैं जो तुरंत नए समस्याओं के अनुकूल हो जाती है। यह फीचर इंजीनियरिंग और मॉडल ट्यूनिंग में विशेषज्ञता की आवश्यकता को कम करता है, जबकि तेजी से प्रयोग और पुनरावृत्ति को भी सक्षम बनाता है।

कई संगठनों के लिए, इसका अर्थ एक केंद्रीकृत डेटा विज्ञान कार्य से एक अधिक वितरित मॉडल में स्थानांतरण हो सकता है, जहां पूर्वानुमानिक अंतर्दृष्टि कई विभागों में सुलभ हैं।

एक नई श्रेणी के फाउंडेशन मॉडल

जबकि फाउंडेशन मॉडल पहले से ही भाषा और दृष्टि जैसे डोमेन को बदल दिया है, संरचित एंटरप्राइज डेटा अभी भी आखिरी मोर्चों में से एक बना हुआ है।

कुमोरएफएम-2 संरचित डेटा के लिए विशेषज्ञता वाले फाउंडेशन मॉडल की क्या उपलब्धियां हो सकती हैं, इसका एक प्रारंभिक उदाहरण प्रस्तुत करता है। संबंधित तर्क, संदर्भ में सीखने और प्राकृतिक भाषा इंटरैक्शन को जोड़कर, यह पूर्वानुमानिक एआई के लिए एक नया परिदृश्य प्रस्तुत करता है।

यदि व्यापक रूप से अपनाया जाता है, तो यह दृष्टिकोण व्यवसायों को अपने डेटा के साथ कैसे बातचीत की जाए, इसे बदलने की क्षमता रखता है – पूर्वानुमानिक विश्लेषण को एक जटिल, विलंबित प्रक्रिया से एक वास्तविक समय, संगठन-व्यापी क्षमता में बदल देता है।