Model dan platform AI
Panduan Databricks tentang Model Fondasi Tabular untuk Runtime AI

Poin utamaModel fondasi tabular menukar biaya inferensi GPU yang lebih tinggi dengan penghematan…
Lihat selengkapnya
- Model fondasi tabular menukar biaya inferensi GPU yang lebih tinggi dengan penghematan waktu rekayasa dan pemeliharaan.
- TabICL dilaporkan berjalan hingga 10 kali lebih cepat daripada TabPFNv2 sambil menyamai akurasi tolok ukur klasifikasinya.
- Lisensi membagi bidang ini dengan bobot TabFM dan TabPFNv3.5 dibatasi untuk penggunaan non-komersial.
Pada 16 November 2026, Databricks menerbitkan panduan teknis tentang menjalankan model fondasi tabular di lingkungan runtime AI, disertai repositori publik untuk membandingkan lima penyedia model dan menguji alur kerja penyesuaian halus.
Akselerator solusi yang tersedia untuk publik ini menyediakan notebook dan kerangka pengujian bersama untuk TabPFN, TabFM, TabICL, Nori, dan KumoTabular. Sasarannya adalah beban kerja perusahaan yang berlangsung terus-menerus: membuat prediksi dari tabel yang digunakan untuk menilai risiko kredit, memprediksi pelanggan yang akan berhenti berlangganan, meramalkan permintaan, dan melakukan pemeliharaan prediktif. Dalam pengembangan konvensional, setiap tugas dapat memerlukan alur kerja pelatihan dan pelatihan ulang tersendiri.
Model fondasi tabular (TFM) sudah dilatih sebelumnya menggunakan jutaan set data sintetis yang beragam. Dalam inferensi zero-shot, baris berlabel menjadi konteks bagi baris yang memerlukan prediksi; mekanisme atensi transformer mengaitkan baris baru dengan contoh tersebut, lalu menghasilkan prediksi dalam satu lintasan maju tanpa memperbarui parameter. Penyesuaian halus tetap menjadi pilihan bagi tim yang ingin memperbarui bobot hasil pelatihan awal menggunakan set data milik mereka.
Arsitektur, Biaya GPU, dan Lisensi
Tokenizer khusus memetakan fitur numerik, kategoris, dan boolean ke dalam representasi bersama. TabPFNv2 menggunakan mekanisme atensi secara bergantian pada baris dan kolom untuk mempelajari interaksi, tetapi biaya komputasinya meningkat pesat seiring bertambahnya jumlah sampel dan fitur.
Makalah penelitian TabICL mengambil pendekatan berbeda dengan membentuk embedding baris berdimensi tetap melalui mekanisme atensi kolom lalu baris sebelum melakukan pembelajaran dalam konteks pada tingkat set data. Menurut para penulisnya, model ini mampu menangani hingga 500.000 sampel dan 500 fitur, menyamai TabPFNv2 dalam evaluasi tolok ukur klasifikasi mereka, berjalan hingga 10 kali lebih cepat, serta mengungguli TabPFNv2 dan CatBoost pada 53 set data dengan lebih dari 10.000 sampel. Versi yang dievaluasi hanya terbatas pada klasifikasi, sedangkan model tunggal dalam tolok ukur yang disetel menggunakan data holdout tidak mencakup potensi peningkatan dari ensemble yang divalidasi silang.
Memori tetap menjadi kendala operasional meskipun baris dikompresi. Karena pembelajaran dalam konteks menyertakan set pelatihan pada setiap prediksi, kebutuhan memori GPU meningkat seiring bertambahnya jumlah baris dan fitur. Databricks menyarankan pengujian akurasi, latensi inferensi, penggunaan memori, dan biaya menggunakan data organisasi sendiri. Databricks juga menyatakan bahwa biaya inferensi GPU per prediksi lebih tinggi daripada menjalankan XGBoost di CPU. Potensi penghematannya adalah waktu rekayasa dan pemeliharaan, sedangkan biaya berkelanjutan yang harus ditanggung adalah komputasi berbasis akselerator.
Lisensi juga menjadi faktor dalam menentukan kelayakan penerapan. Panduan tersebut menggolongkan TabICLv2 dengan lisensi BSD 3-Clause, Mitra v2 dengan Apache-2.0, dan KumoTabular dengan OpenMDW-1.1 sebagai lisensi yang memberikan keleluasaan untuk penggunaan komersial. Bobot TabFM dan TabPFNv3.5 tercantum sebagai nonkomersial, sehingga penggunaan komersial bergantung pada perjanjian dengan pembuatnya. Repositori itu juga membedakan API terkelola TabPFN yang bersifat komersial dari bobotnya yang nonkomersial.
Evaluasi Bersama dan Penerapan ke Produksi
Implementasi referensi menyediakan dasar yang seragam untuk membandingkan model. Setiap implementasi yang didukung membaca set data sintetis yang sama tentang ritel dan barang kemasan konsumen, menggunakan pembagian data pelatihan dan pengujian yang identik, serta mencatat metrik umum dan model dasar scikit-learn dalam satu tabel hasil. Contohnya mencakup klasifikasi, regresi, deteksi pencilan, dan peramalan berbasis jeda, selama model terkait mendukungnya.
Kebutuhan komputasi berbeda-beda. TabFM, TabICL, Nori, dan KumoTabular yang dihosting sendiri dapat dijalankan pada CPU tanpa server, tetapi repositori tersebut menyarankan penggunaan GPU untuk memperoleh kinerja praktis. Contoh TabPFN-nya memanggil API terkelola, yang cukup dijalankan dengan CPU, sedangkan contoh TabICL memungkinkan alur kerja CPU mengalihkan inferensi ke titik akhir penyajian khusus GPU.
AI Runtime telah tersedia sebelum panduan tersebut: pada 19 Maret 2026, Databricks memperkenalkannya dalam pratinjau publik sebagai tumpukan tanpa server untuk pelatihan GPU terdistribusi. Menurut Databricks, GPU H100 sesuai permintaan mereka dapat mendukung TabPFN-3 hingga 1 juta baris dengan 200 fitur. Notebook, Lakeflow Jobs, pelacakan eksperimen MLflow, dan pemantauan pemanfaatan GPU tersedia bersama dukungan Docker bawaan dan SSH jarak jauh melalui Databricks CLI.
Demonstrasi penyesuaian halus KumoTabular menampilkan penggunaan GPU dan metrik MLflow di notebook, lalu mendaftarkan model yang dihasilkan di Unity Catalog. Untuk penggunaan produksi, panduan tersebut menjelaskan alur kerja batch berthroughput tinggi atau titik akhir REST waktu nyata dengan penskalaan otomatis melalui Model Serving, sementara Unity Catalog mengelola versi model dan tata kelolanya.
Hasilnya adalah cara yang dapat diulang untuk menguji apakah TFM dapat mengurangi pekerjaan ML untuk setiap tugas tanpa memindahkan data ke alat GPU terpisah. Namun, kelayakan bisnisnya tetap bergantung pada pengukuran yang tidak dapat disediakan repositori tersebut secara universal: akurasi pada tabel milik organisasi, ketentuan lisensi yang dapat digunakan, serta apakah berkurangnya beban rekayasa sepadan dengan biaya berkelanjutan untuk prediksi yang didukung GPU.












