Kumo lanceert KumoRFM-2, een foundation model ontworpen om traditionele ondernemingsmachine learning te vervangen

Kumo heeft KumoRFM-2 onthuld, een next-generation foundation model speciaal ontworpen voor gestructureerde ondernemingsgegevens – een fundamentele verschuiving in de manier waarop organisaties voorspellingen genereren uit hun datawarehouses. In tegenstelling tot traditionele machine learning-pijplijnen die maanden van feature engineering en aangepaste modelontwikkeling vereisen, maakt KumoRFM-2 het mogelijk voor teams om voorspellingen direct te genereren met behulp van natuurlijke taal, zonder training of gespecialiseerde expertise.

Aan de basis van het model vertegenwoordigt het een nieuwe categorie van AI: een relationeel foundation model dat rechtstreeks op ondernemingsgegevensstructuren werkt in plaats van deze te vereenvoudigen tot eenvoudige tabellen. Dit onderscheid adresseert een van de meest hardnekkige beperkingen in ondernemings-AI, waardevolle relaties tussen datasets vaak verloren gaan voordat het modelleren zelfs maar begint.

Van statische pijplijnen naar real-time predictieve systemen

Ondernemingspredictieve analytics is historisch gezien langzaam en resource-intensief geweest. Elk nieuw gebruik – of het nu churn-predictie, fraude-detectie of vraagvoorspelling is – vereist meestal een aparte pijplijn, met inbegrip van gegevensschoonmaak, feature engineering, modeltraining en -afstemming.

KumoRFM-2 vervangt de hele workflow door een enkel, vooraf getraind systeem.

In plaats van modellen te bouwen, definiëren gebruikers wat ze willen voorspellen. Het model interpreteert de aanvraag, construeert de noodzakelijke context uit de onderliggende database en produceert voorspellingen in één stap. Dit wordt mogelijk gemaakt door een combinatie van in-context leren en een declaratieve interface genaamd Predictive Query Language (PQL), waarin gebruikers het resultaat uitdrukken waar ze zich zorgen over maken in plaats van de stappen die nodig zijn om het te berekenen.

Het resultaat is een verschuiving van “modellen bouwen” naar “vragen stellen” – een verandering die de drempel voor het gebruik van predictieve AI binnen een organisatie aanzienlijk verlaagt.

Waarom relationele gegevens zo moeilijk zijn geweest

De meeste bestaande AI-systemen hebben moeite met gestructureerde ondernemingsgegevens om een eenvoudige reden: ze behandelen ze onjuist.

Traditionele modellen, waaronder veel tabulaire AI-systemen en zelfs grote taalmodellen, vertrouwen op het vereenvoudigen van gegevens tot één tabel. Maar echte ondernemingsgegevens bestaan als verbonden systemen – klanten die zijn verbonden met transacties, transacties die zijn verbonden met producten, producten die zijn verbonden met voorraad, alles evolueert in de loop van de tijd.

Het vereenvoudigen van deze structuur verwijdert de relaties die vaak de meest waardevolle predictieve signalen bevatten. Het dwingt teams ook om deze signalen handmatig te herscheppen via feature engineering, een proces dat zowel tijdrovend als gevoelig voor fouten is.

KumoRFM-2 vermijdt dit helemaal door rechtstreeks op relationele databases te werken, waarbij verbindingen tussen tabellen, tijdstempels en entiteiten behouden blijven.

Binnen de architectuur: hoe KumoRFM-2 werkt

De sleutelinnovatie achter KumoRFM-2 is zijn hiërarchische Relational Graph Transformer-architectuur, die gegevens op meerdere niveaus tegelijk verwerkt.

Op het eerste niveau analyseert het model afzonderlijke tabellen met behulp van een combinatie van rij- en kolomattentie. Dit stelt het in staat om te begrijpen hoe kenmerken binnen een tabel verwant zijn, terwijl onbelangrijke of lawaaierige gegevens vroeg in het proces worden gefilterd. Belangrijk is dat het predictiedoel op dit stadium wordt geïntroduceerd, wat betekent dat het model vanaf het begin is geconditioneerd op de taak.

Op het tweede niveau voert het model grafische redenering uit over tabellen. Met behulp van externe sleutelrelaties verbindt het gegevens van verschillende delen van de database – zoals het koppelen van een klantprofiel aan aankoopgeschiedenis of gedragspatronen – en identificeert het cross-tabellensignalen die anders verloren zouden gaan.

Op het derde niveau incorporeert het model cross-sample-aandacht, waardoor het kan leren van meerdere voorbeelden tegelijk. Dit stelt het in staat om te generaliseren van een relatief klein aantal contextvoorbeelden, in plaats van een volledige trainingsdataset te vereisen.

Dit gefaseerde ontwerp is cruciaal. Het voorkomt de computationele explosie die zou optreden bij het verwerken van elke datapunt tegelijk, en verbetert de nauwkeurigheid door ruis te filteren voordat diepere redenering plaatsvindt.

In-context leren vervangt training

Een kenmerkend kenmerk van KumoRFM-2 is zijn afhankelijkheid van in-context leren in plaats van traditionele training.

In plaats van een model te trainen voor elke taak, wordt KumoRFM-2 één keer vooraf getraind op een grote mix van synthetische en echte relationele gegevens. Wanneer een gebruiker een predictieverzoek indient, genereert het systeem automatisch een set contextvoorbeelden – kleine subgrafieken van de database die zijn gekoppeld aan bekende resultaten.

Deze voorbeelden fungeren als richtlijn voor het model, waardoor het patronen kan afleiden en voorspellingen kan doen zonder zijn gewichten bij te werken. In de praktijk betekent dit:

• Geen taakspecifieke training
• Geen feature engineering
• Geen modelafstemming

Zelfs met zo weinig als 0,2% van de gegevens die typisch nodig zijn voor supervised learning, kan het model state-of-the-art-prestaties bereiken.

Prestaties over real-world benchmarks

KumoRFM-2 is geëvalueerd over 41 predictieve taken die zich uitstrekken over industrieën zoals e-commerce, gezondheidszorg, sociale platforms en ondernemingssystemen.

Het model presteert consistent beter dan traditionele supervised machine learning-benaderingen, waaronder geëngineerde ensembles en relationele diepe leer systemen. Op ondernemingsbenchmarks overtreft het breed gebruikt oplossingen met significante marges, en verbetert het zich verder wanneer het wordt gefinetuned.

Behalve de brute nauwkeurigheid toont het model een sterke robuustheid:

• Blijft presteren, zelfs wanneer grote delen van relationele links ontbreken
• Omgaat met lawaaierige of onvolledige gegevens met minimale degradatie
• Presteert goed in cold-start scenario’s waar historische gegevens beperkt zijn

Deze veerkracht is vooral belangrijk in ondernemingsomgevingen, waar gegevenskwaliteit vaak inconsistent is.

Ontworpen voor schaal: tot 500 miljard rijen

KumoRFM-2 is ontworpen om te werken op de schaal van moderne data-infrastructuur.

Het systeem kan datasets verwerken die meer dan 500 miljard rijen overschrijden door database-natieve uitvoering te combineren met een aangepaste grafische motor die hoge doorvoersnelheden voor gegevenstoegang mogelijk maakt. In plaats van gegevens naar een apart ML-systeem te verplaatsen, wordt de berekening rechtstreeks naar de locatie van de gegevens verplaatst – of het nu gaat om SQL-databases of cloud datawarehouses.

Deze aanpak vermindert latentie, vereenvoudigt implementatie en stelt organisaties in staat om predictieve capaciteiten rechtstreeks in bestaande workflows te integreren.

Natuurlijke taal als interface

Een ander kenmerkend kenmerk is de natuurlijke taalinterface van het model.

Gebruikers kunnen vragen stellen zoals:

• Welke klanten zullen waarschijnlijk binnen 30 dagen churnen?
• Welke leads zijn het meest waarschijnlijk om te converteren?
• Welke producten zullen een toename van de vraag zien?

Het systeem vertaalt deze queries naar gestructureerde predictieve logica, voert ze uit op de onderliggende gegevens en retourneert zowel voorspellingen als verklaringen.

Dit maakt niet alleen predictieve analytics meer toegankelijk, maar stelt ook integratie met AI-agents mogelijk, waar voorspellingen kunnen worden ingebed in geautomatiseerde beslissingswerkstromen.

Naar agent-gedreven ondernemingsintelligentie

KumoRFM-2 is ontworpen met agents in gedachten.

Zijn predictieve capaciteiten kunnen worden blootgesteld als modulaire “vaardigheden” die AI-agents kunnen oproepen als onderdeel van grotere workflows. Dit verandert predictief modelleren in een componeren bouwsteen – iets dat kan worden samengesteld met ophaling, redenering en uitvoering in autonome systemen.

In deze context is het model niet alleen een instrument voor analisten, maar een fundamentele laag voor next-generation ondernemingsautomatisering.

De rol van data science herdefiniëren

KumoRFM-2 markeert een bredere verschuiving in de manier waarop organisaties data science benaderen.

In plaats van tientallen taakspecifieke modellen te bouwen en te onderhouden, kunnen teams vertrouwen op één enkel, algemeen doel systeem dat zich onmiddellijk aanpast aan nieuwe problemen. Dit vermindert de behoefte aan gespecialiseerde expertise in feature engineering en modelafstemming, en stelt snellere experimenten en iteratie mogelijk.

Voor veel organisaties kan dit betekenen dat ze overstappen van een centraal data science-functie naar een meer gedistribueerd model, waar predictieve inzichten toegankelijk zijn voor meerdere afdelingen.

Een nieuwe categorie van foundation modellen

Terwijl foundation modellen al domeinen zoals taal en visie hebben getransformeerd, zijn gestructureerde ondernemingsgegevens een van de laatste frontiers gebleven.

KumoRFM-2 vertegenwoordigt een vroeg voorbeeld van wat gespecialiseerde foundation modellen voor gestructureerde gegevens kunnen bereiken. Door relationele redenering, in-context leren en natuurlijke taalinteractie te combineren, introduceert het een nieuw paradigma voor predictieve AI.

Als deze aanpak breed wordt geadopteerd, kan het de manier waarop bedrijven met hun gegevens omgaan herdefiniëren – predictieve analytics veranderen van een complex, vertraagd proces in een real-time, ondernemingsbrede capaciteit.