AIモデルとプラットフォーム
Databricks、AI Runtime向け表形式基盤モデルのガイドを公開

要点表形式の基盤モデルは、GPU推論コストの増加と引き換えに、エンジニアリングと保守の時間を節約する。
もっと見る
- 表形式の基盤モデルは、GPU推論コストの増加と引き換えに、エンジニアリングと保守の時間を節約する。
- TabICLは報告によると、分類ベンチマークの精度でTabPFNv2に匹敵しながら、最大10倍高速に動作する。
- ライセンスはこの分野を二分しており、TabFMとTabPFNv3.5の重みは非商業利用に制限されている。
Databricksは2026年11月16日、技術ガイドを公開し、AI Runtimeで表形式基盤モデルを実行する方法を紹介した。5つのモデルプロバイダーを比較し、ファインチューニングのワークフローをテストできる公開リポジトリも併せて公開している。
公開ソリューションアクセラレーターには、TabPFN、TabFM、TabICL、Nori、KumoTabular向けのノートブックと共通テストハーネスが用意されている。対象としているのは、継続的に発生する企業のワークロードだ。具体的には、信用リスク、顧客離反、需要予測、予知保全に使われる表形式データから予測を行うケースで、従来の開発手法ではタスクごとに個別の学習・再学習パイプラインが必要になることがある。
一方、表形式基盤モデル(TFM)は、多様な合成データセットを数百万件使って事前学習された状態で提供される。ゼロショット推論では、ラベル付きの行を予測対象の行のコンテキストとして用いる。Transformerのアテンション機構が新しい行とそれらの例との関連を捉え、パラメーターを更新することなく、1回のフォワードパスで予測を返す。独自データセットを使って事前学習済みの重みを更新したいチームには、ファインチューニングも引き続き選択肢となる。
アーキテクチャ、GPUコスト、ライセンス
専用のトークナイザーが、数値、カテゴリ、ブール値の特徴量を共通の表現に変換する。TabPFNv2は行と列の内部で交互にアテンションを適用し、特徴量間の相互作用を学習するが、サンプル数と特徴量数が増えるにつれて計算コストが急速に上昇する。
TabICLの研究論文では異なる手法を採用し、まず列、次に行の順でアテンションを適用して固定次元の行埋め込みを構築し、その後、データセット単位のインコンテキスト学習を行う。著者らによると、最大500,000件のサンプルと500個の特徴量を処理でき、分類ベンチマーク評価ではTabPFNv2に匹敵する性能を示し、最大10倍高速で実行され、サンプル数が10,000件を超える53のデータセットでTabPFNv2とCatBoostの両方を上回った。評価対象のバージョンは分類に限定されていた。また、ベンチマークで評価されたホールドアウトデータ向けに調整済みの単一モデルでは、交差検証アンサンブルによる潜在的な性能向上は捉えられていなかった。
行の圧縮を行っても、メモリーは運用上の制約として残る。インコンテキスト学習では、予測のたびに学習セットを入力するため、GPUメモリーの需要は行数と特徴量数に応じて増加する。Databricksは、各組織が自社のデータを使って精度、推論レイテンシー、メモリー使用量、コストをテストすることを推奨している。また、GPUでの推論はCPUでXGBoostを実行する場合よりも、予測1回あたりのコストが高いとしている。削減できる可能性があるのはエンジニアリングと保守にかかる時間であり、継続的に発生する費用はアクセラレーターによる計算処理だ。
ライセンスも、導入を判断するうえでの条件となる。ガイドでは、TabICLv2はBSD 3-Clause、Mitra v2はApache-2.0、KumoTabularはOpenMDW-1.1に基づき、商用利用に寛容なライセンスとして分類されている。TabFMとTabPFNv3.5の重みは非商用とされ、商用利用にはそれぞれの開発元との契約が必要だ。リポジトリでは、TabPFNの商用ホステッドAPIと非商用の重みも別個に扱っている。
共通評価と本番環境への導入
リファレンス実装により、モデルを共通の基準で比較できる。サポート対象の各実装は、同じ合成小売データセットと消費財データセットを読み込み、同一の学習・テスト分割を使用する。また、共通の指標とscikit-learnのベースラインを1つの結果テーブルに記録する。各モデルが対応している場合、分類、回帰、外れ値検出、ラグベース予測の例も利用できる。
必要な計算リソースはモデルによって異なる。セルフホスト型のTabFM、TabICL、Nori、KumoTabularはサーバーレスCPUで実行できるが、実用的な性能を得るにはGPUを推奨するとリポジトリに記載されている。TabPFNの例ではホステッドAPIを呼び出すため、CPUで十分だ。一方、TabICLの例では、CPUパイプラインから専用GPUサービングエンドポイントに推論処理をオフロードできる。
AI Runtimeはこのガイドに先立って提供されていた。Databricksは2026年3月19日、分散GPU学習向けのサーバーレススタックとして、パブリックプレビューで提供を開始した。Databricksによると、オンデマンドのH100 GPUは、最大100万行、200個の特徴量を持つTabPFN-3をサポートできる。ノートブック、Lakeflow Jobs、MLflowによる実験追跡、GPU使用率の可観測性に加え、ネイティブのDockerサポートとDatabricks CLIを介したリモートSSHも利用できる。
KumoTabularのファインチューニングを実演するノートブックでは、GPUの使用状況とMLflowの指標を確認でき、生成したモデルをUnity Catalogに登録できる。本番環境向けには、高スループットのバッチパイプライン、またはModel Servingを通じた自動スケーリング対応のリアルタイムRESTエンドポイントがガイドで紹介されている。Unity Catalogを使って、モデルのバージョン管理とガバナンスを行う。
このガイドにより、データを個別のGPUツールに移さずに、TFMがタスクごとの機械学習作業を減らせるかどうかを再現性のある方法で検証できる。ただし、ビジネス上の妥当性を判断するには、リポジトリだけでは一律に答えを出せない点を測定する必要がある。具体的には、自社の表形式データに対する精度、利用可能なライセンス条件、そしてエンジニアリング負荷の軽減がGPUを使った予測に継続してかかるコストを補えるかどうかだ。












