Kumo Lancia KumoRFM-2, Un Modello Di Fondazione Progettato Per Sostituire L’apprendimento Automatico Tradizionale Dell’impresa

Kumo ha presentato KumoRFM-2, un modello di fondazione di nuova generazione progettato specificamente per dati aziendali strutturati, segnando un cambiamento fondamentale nel modo in cui le organizzazioni generano previsioni dai loro data warehouse. A differenza dei tradizionali pipeline di apprendimento automatico che richiedono mesi di ingegneria delle caratteristiche e sviluppo di modelli personalizzati, KumoRFM-2 consente ai team di generare previsioni istantaneamente utilizzando il linguaggio naturale, senza formazione o competenze specializzate.

Al suo nucleo, il modello rappresenta una nuova categoria di intelligenza artificiale: un modello di fondazione relazionale che opera direttamente sulle strutture dei dati aziendali piuttosto che appiattirle in tabelle semplificate. Questa distinzione affronta una delle limitazioni più persistenti nell’intelligenza artificiale aziendale, dove le relazioni preziose tra i set di dati vengono spesso perse prima che la modellazione abbia inizio.

Dai Pipeline Statici Ai Sistemi Predittivi In Tempo Reale

L’analisi predittiva aziendale ha storicamente richiesto molto tempo e risorse. Ogni nuovo caso d’uso, che si tratti di previsione di abbandono, rilevamento di frodi o previsione della domanda, richiede generalmente una pipeline separata, che coinvolge la pulizia dei dati, l’ingegneria delle caratteristiche, la formazione del modello e la regolazione.

KumoRFM-2 sostituisce l’intero flusso di lavoro con un singolo sistema pre-addestrato.

Invece di costruire modelli, gli utenti definiscono cosa desiderano prevedere. Il modello interpreta la richiesta, costruisce il contesto necessario dal database sottostante e produce previsioni in un’unica passata. Ciò è reso possibile grazie a una combinazione di apprendimento in contesto e un’interfaccia dichiarativa chiamata Linguaggio di Query Predittiva (PQL), dove gli utenti esprimono il risultato che desiderano ottenere piuttosto che i passaggi necessari per calcolarlo.

Il risultato è un passaggio da “costruire modelli” a “porre domande”, un cambiamento che riduce notevolmente la barriera per l’utilizzo dell’intelligenza artificiale predittiva in tutta l’organizzazione.

Perché I Dati Relazionali Sono Stati Così Difficili

La maggior parte dei sistemi di intelligenza artificiale esistenti lotta con i dati aziendali strutturati per una ragione semplice: li trattano in modo errato.

I modelli tradizionali, compresi molti sistemi di intelligenza artificiale tabulari e anche grandi modelli linguistici, si basano sull’appiattimento dei dati in una singola tabella. Tuttavia, i dati aziendali reali esistono come sistemi interconnessi: clienti collegati a transazioni, transazioni collegate a prodotti, prodotti collegati a inventario, tutto in evoluzione nel tempo.

L’appiattimento di questa struttura rimuove le relazioni che spesso contengono i segnali predittivi più preziosi. Ciò costringe inoltre i team a ricreare manualmente quei segnali attraverso l’ingegneria delle caratteristiche, un processo che è sia dispendioso in termini di tempo che soggetto a errori.

KumoRFM-2 evita tutto ciò operando direttamente sui database relazionali, preservando le connessioni attraverso tabelle, timestamp e entità.

Inside L’architettura: Come Funziona KumoRFM-2

L’innovazione chiave dietro KumoRFM-2 è la sua architettura di Trasformatore Grafico Relazionale gerarchico, che elabora i dati a più livelli simultaneamente.

Al primo livello, il modello analizza le singole tabelle utilizzando una combinazione di attenzione riga e colonna. Ciò gli consente di comprendere come le caratteristiche si relazionano all’interno di una tabella mentre filtra precocemente i dati irrilevanti o rumorosi nel processo. È importante notare che l’obiettivo di previsione viene introdotto in questa fase, il che significa che il modello è condizionato al compito fin dall’inizio.

Al secondo livello, il modello esegue un ragionamento grafico basato su tabelle. Utilizzando le relazioni chiave esterne, collega i dati da diverse parti del database, come collegare un profilo cliente alla storia degli acquisti o ai modelli di comportamento, e identifica segnali cross-tabelle che altrimenti sarebbero stati persi.

Al terzo livello, il modello incorpora un’attenzione cross-campionamento, che gli consente di apprendere da più esempi contemporaneamente. Ciò gli permette di generalizzare a partire da un numero relativamente piccolo di esempi di contesto, piuttosto che richiedere set di dati di addestramento completi.

Questo design a più livelli è critico. Evita l’esplosione computazionale che deriverebbe dall’elaborazione contemporanea di ogni punto dati, migliorando al contempo l’accuratezza filtrando il rumore prima che si verifichi un ragionamento più approfondito.

L’apprendimento In Contesto Sostituisce La Formazione

Una caratteristica distintiva di KumoRFM-2 è la sua dipendenza dall’apprendimento in contesto invece della formazione tradizionale.

Invece di addestrare un modello per ogni compito, KumoRFM-2 viene addestrato una sola volta su una grande miscela di dati relazionali sintetici e reali. Quando un utente invia una richiesta di previsione, il sistema genera automaticamente un set di esempi di contesto: piccoli sottografi del database accoppiati con risultati noti.

Questi esempi agiscono come guida per il modello, consentendogli di inferire modelli e produrre previsioni senza aggiornare i suoi pesi. Nella pratica, ciò significa:

• Nessuna formazione specifica per compito
• Nessuna ingegneria delle caratteristiche
• Nessuna regolazione del modello

Anche con solo lo 0,2% dei dati normalmente richiesti per l’apprendimento supervisionato, il modello può raggiungere prestazioni di stato dell’arte.

Prestazioni Su Benchmark Del Mondo Reale

KumoRFM-2 è stato valutato su 41 compiti predittivi che coprono settori come il commercio elettronico, la sanità, le piattaforme sociali e i sistemi aziendali.

Il modello supera costantemente gli approcci di apprendimento automatico supervisionato tradizionali, compresi ensemble ingegnerizzati e sistemi di apprendimento profondo relazionale. Su benchmark aziendali, supera le soluzioni ampiamente utilizzate con margini significativi, migliorando ulteriormente quando viene ottimizzato.

Oltre alla pura accuratezza, il modello dimostra una forte robustezza:

• Mantiene le prestazioni anche quando grandi porzioni di collegamenti relazionali sono mancanti
• Gestisce dati rumorosi o incompleti con un degrado minimo
• Si esegue bene in scenari di avvio a freddo in cui i dati storici sono limitati

Questa resilienza è particolarmente importante negli ambienti aziendali, dove la qualità dei dati è spesso inconsistente.

Progettato Per La Scalabilità: Fino A 500 Miliardi Di Righe

KumoRFM-2 è progettato per funzionare alla scala dell’infrastruttura dei dati moderni.

Il sistema può elaborare set di dati che superano i 500 miliardi di righe combinando l’esecuzione nativa del database con un motore grafico personalizzato in grado di accesso dati ad alto throughput. Invece di spostare i dati in un sistema di apprendimento automatico separato, il calcolo viene spinto direttamente dove risiedono i dati, sia nei database SQL che nei data warehouse cloud.

Questo approccio riduce la latenza, semplifica la distribuzione e consente alle organizzazioni di integrare le funzionalità predittive direttamente nei flussi di lavoro esistenti.

Linguaggio Naturale Come Interfaccia

Un’altra caratteristica distintiva è l’interfaccia del modello basata sul linguaggio naturale.

Gli utenti possono porre domande come:

• Quali clienti sono probabilmente abbandonare nei prossimi 30 giorni?
• Quali lead sono più probabili da convertire?
• Quali prodotti vedranno una maggiore domanda?

Il sistema traduce queste query in logica predittiva strutturata, le esegue sui dati sottostanti e restituisce sia previsioni che spiegazioni.

Ciò non solo rende l’analisi predittiva più accessibile, ma consente anche l’integrazione con agenti di intelligenza artificiale, dove le previsioni possono essere incorporate in flussi di lavoro decisionali automatizzati.

Verso L’intelligenza Aziendale Guidata Da Agenti

KumoRFM-2 è progettato tenendo presenti gli agenti.

Le sue capacità predittive possono essere esposte come “abilità” modulari che gli agenti di intelligenza artificiale possono chiamare come parte di flussi di lavoro più ampi. Ciò trasforma la modellazione predittiva in un blocco costruttivo componibile, qualcosa che può essere combinato con il recupero, il ragionamento e l’esecuzione in sistemi autonomi.

In questo contesto, il modello non è solo uno strumento per gli analisti, ma uno strato fondamentale per l’automazione aziendale di prossima generazione.

Ridefinire Il Ruolo Della Scienza Dei Dati

KumoRFM-2 segnala un cambiamento più ampio nel modo in cui le organizzazioni si approcciano alla scienza dei dati.

Invece di costruire e mantenere dozzine di modelli specifici per compito, i team possono affidarsi a un singolo sistema generale che si adatta a nuovi problemi istantaneamente. Ciò riduce la necessità di competenze specializzate nell’ingegneria delle caratteristiche e nella regolazione del modello, consentendo un’esplorazione e un’iterazione più rapide.

Per molte organizzazioni, ciò potrebbe significare passare da una funzione di scienza dei dati centralizzata a un modello più distribuito, in cui le informazioni predittive sono accessibili in più dipartimenti.

Una Nuova Categoria Di Modelli Di Fondazione

Mentre i modelli di fondazione hanno già trasformato domini come il linguaggio e la visione, i dati aziendali strutturati sono rimasti una delle ultime frontiere.

KumoRFM-2 rappresenta un esempio precoce di ciò che i modelli di fondazione specializzati per dati strutturati possono raggiungere. Combinando il ragionamento relazionale, l’apprendimento in contesto e l’interazione del linguaggio naturale, introduce un nuovo paradigma per l’intelligenza artificiale predittiva.

Se ampiamente adottato, questo approccio potrebbe ridefinire il modo in cui le aziende interagiscono con i loro dati, trasformando l’analisi predittiva da un processo complesso e ritardato in una capacità organizzativa in tempo reale.