Kumo Meluncurkan KumoRFM-2, Model Fondasi yang Dibangun untuk Menggantikan Pembelajaran Mesin Tradisional Perusahaan

Kumo telah meluncurkan KumoRFM-2, model fondasi generasi berikutnya yang dirancang khusus untuk data struktural perusahaan—menandai perubahan mendasar dalam cara organisasi menghasilkan prediksi dari gudang data mereka. Tidak seperti pipa pembelajaran mesin tradisional yang memerlukan bulan-bulan rekayasa fitur dan pengembangan model khusus, KumoRFM-2 memungkinkan tim untuk menghasilkan prediksi secara instan menggunakan bahasa alami, tanpa pelatihan atau keahlian khusus.

Di intinya, model ini mewakili kategori baru AI: model fondasi relasional yang beroperasi langsung pada struktur data perusahaan daripada meratakan mereka menjadi tabel sederhana. Perbedaan ini menangani salah satu keterbatasan paling persisten dalam AI perusahaan, di mana hubungan berharga antara kumpulan data sering hilang sebelum pemodelan bahkan dimulai.

Dari Pipa Statis ke Sistem Prediktif Waktu Nyata

Analitik prediktif perusahaan telah secara historis lambat dan intensif sumber daya. Setiap kasus penggunaan baru—apakah prediksi churn, deteksi penipuan, atau peramalan permintaan—biasanya memerlukan pipa terpisah, yang melibatkan pembersihan data, rekayasa fitur, pelatihan model, dan penyetelan.

KumoRFM-2 menggantikan seluruh alur kerja dengan sistem pra-dilatih tunggal.

Alih-alih membangun model, pengguna mendefinisikan apa yang mereka ingin prediksi. Model ini menafsirkan permintaan, membangun konteks yang diperlukan dari database yang mendasarinya, dan menghasilkan prediksi dalam satu langkah. Ini dimungkinkan melalui kombinasi pembelajaran dalam konteks dan antarmuka deklaratif yang disebut Bahasa Query Prediktif (PQL), di mana pengguna mengekspresikan hasil yang mereka pedulikan daripada langkah-langkah yang diperlukan untuk menghitungnya.

Hasilnya adalah perubahan dari “membangun model” menjadi “bertanya”—perubahan yang secara signifikan menurunkan hambatan untuk menggunakan AI prediktif di seluruh organisasi.

Mengapa Data Relasional Telah Begitu Sulit

Sistem AI yang ada sebagian besar berjuang dengan data struktural perusahaan karena alasan sederhana: mereka memperlakukannya secara tidak benar.

Model tradisional, termasuk banyak sistem AI tabel dan bahkan model bahasa besar, bergantung pada meratakan data menjadi satu tabel. Namun, data perusahaan dunia nyata ada sebagai sistem terhubung—pelanggan terhubung ke transaksi, transaksi terhubung ke produk, produk terhubung ke inventori, semuanya berkembang seiring waktu.

Meratakan struktur ini menghilangkan hubungan yang sering mengandung sinyal prediktif paling berharga. Ini juga memaksa tim untuk secara manual merekayasa kembali sinyal-sinyal tersebut melalui rekayasa fitur, proses yang memakan waktu dan rentan terhadap kesalahan.

KumoRFM-2 menghindari ini sepenuhnya dengan beroperasi langsung pada database relasional, mempertahankan koneksi di seluruh tabel, timestamp, dan entitas.

Di Dalam Arsitektur: Bagaimana KumoRFM-2 Bekerja

Inovasi kunci di balik KumoRFM-2 adalah arsitektur Relational Graph Transformer hierarkis, yang memproses data pada beberapa tingkat secara bersamaan.

Pada tingkat pertama, model menganalisis tabel individual menggunakan kombinasi perhatian baris dan kolom. Ini memungkinkan model untuk memahami bagaimana fitur berhubungan di dalam tabel sambil menyaring data yang tidak relevan atau berisik awal dalam proses. Pentingnya, target prediksi diperkenalkan pada tahap ini, yang berarti model dikondisikan pada tugas dari awal.

Pada tingkat kedua, model melakukan penalaran grafik di seluruh tabel. Menggunakan kunci asing, model menghubungkan data dari bagian yang berbeda dari database—seperti menghubungkan profil pelanggan ke riwayat pembelian atau pola perilaku—dan mengidentifikasi sinyal antar-tabel yang akan hilang.

Pada tingkat ketiga, model memasukkan perhatian antar-sampel, yang memungkinkan model untuk belajar dari beberapa contoh sekaligus. Ini memungkinkan model untuk menggeneralisasi dari sejumlah kecil contoh konteks, bukan memerlukan dataset pelatihan penuh.

Desain bertahap ini sangat penting. Ini menghindari ledakan komputasi yang akan terjadi jika memproses setiap titik data secara bersamaan, sambil juga meningkatkan akurasi dengan menyaring kebisingan sebelum penalaran yang lebih dalam terjadi.

Pembelajaran Dalam Konteks Menggantikan Pelatihan

Fitur yang membedakan KumoRFM-2 adalah ketergantungannya pada pembelajaran dalam konteks bukan pelatihan tradisional.

Alih-alih melatih model untuk setiap tugas, KumoRFM-2 dilatih sekali pada campuran besar data sintetis dan data relasional dunia nyata. Ketika pengguna mengirimkan permintaan prediksi, sistem secara otomatis menghasilkan serangkaian contoh konteks—subgrafik kecil dari database yang dipasangkan dengan hasil yang diketahui.

Contoh-contoh ini bertindak sebagai panduan untuk model, yang memungkinkan model untuk menginferensi pola dan menghasilkan prediksi tanpa memperbarui bobotnya. Dalam praktiknya, ini berarti:

• Tidak ada pelatihan khusus tugas
• Tidak ada rekayasa fitur
• Tidak ada penyetelan model

Bahkan dengan hanya 0,2% dari data yang biasanya diperlukan untuk pembelajaran terawasi, model dapat mencapai kinerja kelas atas.

Kinerja di Seluruh Benchmark Dunia Nyata

KumoRFM-2 telah dievaluasi di seluruh 41 tugas prediktif yang meliputi industri seperti e-commerce, kesehatan, platform sosial, dan sistem perusahaan.

Model ini secara konsisten mengungguli pendekatan pembelajaran mesin terawasi tradisional, termasuk ensemble yang direkayasa dan sistem pembelajaran dalam relasional. Pada benchmark perusahaan, model ini melampaui solusi yang banyak digunakan dengan margin yang signifikan, sambil juga meningkatkan lebih lanjut ketika disesuaikan.

Di luar akurasi mentah, model menunjukkan kekuatan yang kuat:

• Mempertahankan kinerja bahkan ketika sebagian besar tautan relasional hilang
• Mengatasi data yang berisik atau tidak lengkap dengan degradasi minimal
• Berkinerja baik dalam skenario awal dingin di mana data historis terbatas

Ketahanan ini terutama penting dalam lingkungan perusahaan, di mana kualitas data sering tidak konsisten.

Dibangun untuk Skala: Hingga 500 Miliar Baris

KumoRFM-2 dirancang untuk beroperasi pada skala infrastruktur data modern.

Sistem ini dapat memproses dataset yang melebihi 500 miliar baris dengan menggabungkan eksekusi asli database dengan mesin grafik khusus yang mampu mengakses data dengan throughput tinggi. Alih-alih memindahkan data ke sistem ML terpisah, komputasi didorong langsung ke tempat data berada—baik di database SQL atau gudang data cloud.

Pendekatan ini mengurangi latensi, menyederhanakan penerapan, dan memungkinkan organisasi untuk mengintegrasikan kemampuan prediktif langsung ke dalam alur kerja yang ada.

Bahasa Alami sebagai Antarmuka

Fitur lain yang membedakan adalah antarmuka bahasa alami model ini.

Pengguna dapat mengajukan pertanyaan seperti:

• Mana pelanggan yang kemungkinan akan churn dalam 30 hari ke depan?
• Mana lead yang paling mungkin untuk mengonversi?
• Mana produk yang akan melihat permintaan yang meningkat?

Sistem ini menerjemahkan kueri ini menjadi logika prediktif terstruktur, menjalankannya pada data yang mendasarinya, dan mengembalikan prediksi serta penjelasan.

Ini tidak hanya membuat analitik prediktif lebih dapat diakses, tetapi juga memungkinkan integrasi dengan agen AI, di mana prediksi dapat disematkan ke dalam alur kerja pengambilan keputusan otomatis.

Menuju Kecerdasan Perusahaan yang Didorong Agen

KumoRFM-2 dirancang dengan agen dalam pikiran.

Kemampuan prediktifnya dapat diekspos sebagai “keterampilan” moduler yang agen AI dapat panggil sebagai bagian dari alur kerja yang lebih besar. Ini mengubah pemodelan prediktif menjadi blok bangunan yang dapat disusun—sesuatu yang dapat digabungkan dengan pengambilan, penalaran, dan eksekusi dalam sistem otonom.

Dalam konteks ini, model ini tidak hanya menjadi alat untuk analis, tetapi juga lapisan fondasi untuk otomatisasi perusahaan generasi berikutnya.

Mengubah Peran Ilmu Data

KumoRFM-2 menandai perubahan yang lebih luas dalam cara organisasi mendekati ilmu data.

Alih-alih membangun dan memelihara puluhan model khusus tugas, tim dapat mengandalkan sistem umum tunggal yang menyesuaikan diri dengan masalah baru secara instan. Ini mengurangi kebutuhan akan keahlian khusus dalam rekayasa fitur dan penyetelan model, sambil juga memungkinkan eksperimen dan iterasi yang lebih cepat.

Untuk banyak organisasi, ini bisa berarti berpindah dari fungsi ilmu data terpusat ke model yang lebih terdistribusi, di mana wawasan prediktif dapat diakses di seluruh beberapa departemen.

Kategori Baru Model Fondasi

Sementara model fondasi telah mengubah domain seperti bahasa dan visi, data struktural perusahaan tetap menjadi salah satu frontiers terakhir.

KumoRFM-2 mewakili contoh awal dari apa yang dapat dicapai oleh model fondasi khusus untuk data struktural. Dengan menggabungkan penalaran relasional, pembelajaran dalam konteks, dan interaksi bahasa alami, model ini memperkenalkan paradigma baru untuk AI prediktif.

Jika diadopsi secara luas, pendekatan ini dapat mengubah cara bisnis berinteraksi dengan data mereka—mengubah analitik prediktif dari proses yang kompleks dan tertunda menjadi kemampuan waktu nyata dan organisasi-wide.