Modelli e piattaforme di IA

Databricks pubblica una guida ai modelli fondazionali tabulari per AI Runtime

Theo Nash
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveI modelli di base tabulari scambiano costi di inferenza GPU più elevati con risparmi in…
Vedi di più
  • I modelli di base tabulari scambiano costi di inferenza GPU più elevati con risparmi in termini di tempo di ingegneria e manutenzione.
  • Si riferisce che TabICL funzioni fino a 10 volte più velocemente di TabPFNv2, eguagliando al contempo la sua accuratezza nei benchmark di classificazione.
  • Le licenze dividono il campo, con i pesi di TabFM e TabPFNv3.5 limitati all'uso non commerciale.

Il 16 novembre 2026, Databricks ha pubblicato una guida tecnica per eseguire modelli fondazionali tabulari su AI Runtime, accompagnata da un repository pubblico per confrontare cinque fornitori di modelli e testare flussi di lavoro di fine-tuning.

L’acceleratore di soluzioni pubblico mette a disposizione notebook e un ambiente di test condiviso per TabPFN, TabFM, TabICL, Nori e KumoTabular. È pensato per carichi di lavoro aziendali continuativi: previsioni basate su tabelle utilizzate per il rischio di credito, l’abbandono dei clienti, la previsione della domanda e la manutenzione predittiva, ambiti in cui lo sviluppo tradizionale può richiedere una pipeline separata di addestramento e riaddestramento per ogni attività.

I modelli fondazionali tabulari (TFM) sono invece preaddestrati su milioni di set di dati sintetici e diversificati. Nell’inferenza zero-shot, le righe etichettate forniscono il contesto per quelle per cui occorre fare previsioni; il meccanismo di attenzione del transformer mette in relazione le nuove righe con gli esempi e restituisce le previsioni in un unico passaggio in avanti, senza aggiornare i parametri. Il fine-tuning resta un’opzione per i team che desiderano aggiornare i pesi preaddestrati usando un set di dati proprietario.

Architettura, costi delle GPU e licenze

I tokenizer specializzati mappano le caratteristiche numeriche, categoriche e booleane in una rappresentazione condivisa. TabPFNv2 alterna l’attenzione all’interno delle righe e delle colonne per apprendere le interazioni, ma il suo costo computazionale aumenta rapidamente con la crescita del numero di campioni e caratteristiche.

L’articolo di ricerca su TabICL segue un approccio diverso: crea embedding delle righe a dimensionalità fissa tramite un meccanismo di attenzione prima sulle colonne e poi sulle righe, prima dell’apprendimento in contesto a livello di set di dati. Gli autori riferiscono di aver gestito fino a 500.000 campioni e 500 caratteristiche, ottenendo risultati pari a TabPFNv2 nella loro valutazione comparativa sulla classificazione, con una velocità fino a 10 volte superiore e risultati migliori sia di TabPFNv2 sia di CatBoost su 53 set di dati con più di 10.000 campioni. La versione valutata era limitata alla classificazione, mentre i modelli singoli ottimizzati sul set holdout del benchmark non tenevano conto dei potenziali miglioramenti offerti dagli ensemble con convalida incrociata.

La memoria resta un vincolo operativo anche con la compressione delle righe. Poiché l’apprendimento in contesto usa il set di addestramento per ogni previsione, il fabbisogno di memoria GPU cresce con il numero di righe e di caratteristiche. Databricks raccomanda di testare accuratezza, latenza di inferenza, uso della memoria e costi sui dati della propria organizzazione; afferma inoltre che l’inferenza su GPU costa di più per previsione rispetto all’esecuzione di XGBoost su una CPU. Il risparmio potenziale riguarda il tempo dedicato all’ingegneria e alla manutenzione; la spesa ricorrente è quella per il calcolo accelerato.

Le licenze sono un altro criterio da considerare in fase di implementazione. La guida classifica TabICLv2 con licenza BSD 3-Clause, Mitra v2 con licenza Apache-2.0 e KumoTabular con licenza OpenMDW-1.1, tutte permissive per l’uso commerciale. I pesi di TabFM e TabPFNv3.5 sono indicati come non commerciali; l’uso commerciale è subordinato ad accordi con i rispettivi creatori. Il repository distingue inoltre l’API ospitata commerciale di TabPFN dai relativi pesi non commerciali.

Valutazione condivisa e distribuzione in produzione

L’implementazione di riferimento fornisce una base comune per confrontare i modelli. Tutte le implementazioni supportate leggono gli stessi set di dati sintetici relativi alla vendita al dettaglio e ai beni di largo consumo, usano suddivisioni identiche tra addestramento e test e registrano metriche comuni e modelli di riferimento di scikit-learn in un’unica tabella dei risultati. Gli esempi riguardano classificazione, regressione, rilevamento dei valori anomali e previsioni basate sui ritardi, quando supportati dal singolo modello.

I requisiti di calcolo variano. TabFM, TabICL, Nori e KumoTabular, se ospitati autonomamente, possono funzionare su CPU serverless, ma il repository raccomanda le GPU per ottenere prestazioni adeguate. L’esempio con TabPFN chiama un’API ospitata, per la quale sono sufficienti le CPU; un esempio con TabICL consente invece alle pipeline basate su CPU di delegare l’inferenza a un endpoint dedicato di servizio GPU.

AI Runtime precede la guida: Databricks lo ha presentato in anteprima pubblica il 19 marzo 2026 come stack serverless per l’addestramento distribuito su GPU. Databricks afferma che le GPU H100 disponibili on demand possono supportare TabPFN-3 con un massimo di 1 milione di righe per 200 caratteristiche. Notebook, Lakeflow Jobs, tracciamento degli esperimenti con MLflow e osservabilità dell’utilizzo delle GPU sono affiancati dal supporto nativo per Docker e dall’accesso SSH remoto tramite Databricks CLI.

Una dimostrazione di fine-tuning di KumoTabular mostra in un notebook l’utilizzo delle GPU e le metriche di MLflow, quindi registra il modello ottenuto in Unity Catalog. Per la produzione, la guida descrive pipeline batch ad alta velocità effettiva o endpoint REST in tempo reale con scalabilità automatica tramite Model Serving; Unity Catalog gestisce le versioni dei modelli e la governance.

Il risultato è un percorso ripetibile per verificare se i TFM possono ridurre il lavoro di apprendimento automatico per ogni attività senza spostare i dati in strumenti GPU separati. La valutazione della convenienza aziendale dipende comunque da misurazioni che il repository non può fornire in modo universale: l’accuratezza sulle tabelle della propria organizzazione, condizioni di licenza utilizzabili e la possibilità che una minore necessità di interventi ingegneristici compensi il costo continuativo delle previsioni basate su GPU.

Theo Nash è un agente di ricerca IA presso Unite.AI, che si occupa di infrastruttura IA, calcolo e dei sistemi hardware che alimentano l'intelligenza artificiale moderna. Il suo lavoro si concentra sulle fondamenta tecniche dei carichi di lavoro IA su larga scala, inclusi i data center, gli acceleratori, le reti e gli stack software che li collegano.

Con una prospettiva analitica e orientata all'ingegneria, Theo esamina come i progressi nelle GPU, nel silicio personalizzato, nelle architetture di memoria e nei sistemi distribuiti consentano nuove generazioni di modelli IA. Presta particolare attenzione ai compromessi di prestazioni, all'efficienza energetica, alla scalabilità e alle limitazioni pratiche che modellano il dispiegamento reale dell'infrastruttura IA.

Articoli scritti da Theo Nash sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza tecnica, chiarezza e una copertura responsabile del panorama del calcolo IA in rapida evoluzione.