Kumo lanserer KumoRFM-2, et grunnmodell bygget for å erstatte tradisjonell bedrifts maskinlæring

Kumo har lansert KumoRFM-2, en ny generasjon grunnmodell designet spesifikt for strukturert bedriftsdata — og markerer en fundamental endring i hvordan organisasjoner genererer prediksjoner fra sine datahus. I motsetning til tradisjonelle maskinlæringspipeliner som krever måneder med funksjonsutforming og tilpasset modellutvikling, gjør KumoRFM-2 det mulig for team å generere prediksjoner umiddelbart ved hjelp av naturlig språk, uten trening eller spesialisert ekspertise.

I kjernen representerer modellen en ny kategori av AI: et relasjonsgrunnmodell som opererer direkte på bedriftsdatastrukturer i stedet for å flate dem ut i forenklede tabeller. Denne forskjellen adresserer en av de mest vedvarende begrensningene i bedrifts-AI, hvor verdifulle relasjoner mellom datasamlinger ofte går tapt før modelleringen overhode begynner.

Fra statiske pipeline til sanntids prediktive systemer

Bedrifts prediktiv analyse har historisk sett vært treg og ressurskrevende. Hver nytt bruksområde — enten churn-prediksjon, svindelforespørsel eller etterspørselsprognose — krever vanligvis en separat pipeline, som inkluderer datarengjøring, funksjonsutforming, modelltrening og finjustering.

KumoRFM-2 erstatter hele denne arbeidsflyten med et enkelt, forhåndstreent system.

I stedet for å bygge modeller, definerer brukerne hva de ønsker å prediktere. Modellen tolker forespørselen, konstruerer den nødvendige konteksten fra den underliggende databasen og produserer prediksjoner i ett enkelt gjennomløp. Dette er mulig gjennom en kombinasjon av kontekstlæring og en deklarativ grensesnitt kalt Prediktiv Spørringsspråk (PQL), hvor brukerne uttrykker resultatet de bryr seg om i stedet for å angi de nødvendige steg for å beregne det.

Resultatet er en overgang fra “å bygge modeller” til “å stille spørsmål” — en endring som betydelig senker barrieren for å bruke prediktiv AI på tvers av en organisasjon.

Hvorfor relasjonsdata har vært så vanskelig

De fleste eksisterende AI-systemer sliter med strukturert bedriftsdata av en enkel grunn: de behandler det feil.

Tradisjonelle modeller, inkludert mange tabulære AI-systemer og selv store språkmodeller, baserer seg på å flate ut data i en enkelt tabell. Men virkelige bedriftsdata eksisterer som sammenkoblede systemer — kunder koblet til transaksjoner, transaksjoner koblet til produkter, produkter koblet til lager, alt utvikler seg over tid.

Å flate ut denne strukturen fjerner relasjonene som ofte inneholder de mest verdifulle prediktive signalene. Det tvinger også team til å manuelt gjenskape disse signalene gjennom funksjonsutforming, en prosess som både er tidskrevende og utsatt for feil.

KumoRFM-2 unngår dette helt ved å operere direkte på relasjonsdatabaser, og bevare koblinger på tvers av tabeller, tidsstempel og enheter.

Inni arkitekturen: Hvordan KumoRFM-2 fungerer

Nøkkelinnovasjonen bak KumoRFM-2 er dens hierarkiske Relasjonsgraftransformatorarkitektur, som prosesserer data på flere nivåer samtidig.

På det første nivået analyserer modellen enkelttabeller ved hjelp av en kombinasjon av rad- og kolonneoppmerksomhet. Dette gjør det mulig for modellen å forstå hvordan funksjoner relaterer seg innenfor en tabell, samtidig som den filterer ut irrelevante eller støyende data tidlig i prosessen. Viktigst, introduseres prediksjonsmålet på dette stadiet, noe som betyr at modellen er betinget av oppgaven fra starten av.

På det andre nivået utfører modellen graf-basert resonnering på tvers av tabeller. Ved hjelp av fremmednøkkelrelasjoner kobler den data fra ulike deler av databasen — som å koble en kundeprofil til kjøps historikk eller atferdmønster — og identifiserer tverrtabell-signaler som ellers ville være tapt.

På det tredje nivået inkorporerer modellen tvers-sampeloppmerksomhet, noe som gjør det mulig for den å lære fra flere eksempler samtidig. Dette gjør det mulig for den å generalisere fra et relativt lite antall konteksteksempler, i stedet for å kreve fullt ut treningssammenlinger.

Denne trinnvise designen er kritisk. Den unngår den komputasjonelle eksplosjon som ville oppstå ved å prosessere alle datapunkter samtidig, samtidig som den forbedrer nøyaktigheten ved å filtere ut støy før dyptere resonnering skjer.

Kontekstlæring erstatter trening

En definierende egenskap ved KumoRFM-2 er dens avhengighet av kontekstlæring i stedet for tradisjonell trening.

I stedet for å trene en modell for hver oppgave, er KumoRFM-2 forhåndstreent en gang på en stor blanding av syntetisk og virkelige relasjonsdata. Når en bruker sender en prediksjonsforespørsel, genererer systemet automatisk en samling av konteksteksempler — små subgrafer av databasen parret med kjente resultater.

Disse eksemplene fungerer som veiledning for modellen, og gjør det mulig for den å slutte mønster og produsere prediksjoner uten å oppdatere vektene. I praksis betyr dette:

• Ingen oppgave-spesifikk trening
• Ingen funksjonsutforming
• Ingen modelljustering

Selv med så lite som 0,2% av dataene som vanligvis kreves for overvåket læring, kan modellen oppnå stat-of-the-art-ytelse.

Ytelse på virkelige benchmark

KumoRFM-2 er evaluert på 41 prediktive oppgaver som spenner over industrier som e-handel, helse, sosiale plattformer og bedriftssystemer.

Modellen overgår konsekvent tradisjonelle overvåkede maskinlæringsmetoder, inkludert konstruerte ensemble og relasjonsdybe læringsystemer. På bedriftsbenchmark overgår den vidt brukte løsninger med betydelige marginer, og forbedrer ytelsen ytterligere når den finjusteres.

Foruten ren nøyaktighet, demonstrerer modellen sterk robusthet:

• Maintenerer ytelse selv når store deler av relasjonslenker mangler
• Håndterer støyende eller ufullstendig data med minimal degradering
• Fungerer godt i kald-start-scenarier hvor historisk data er begrenset

Denne motstanden er spesielt viktig i bedriftsmiljøer, hvor datakvaliteten ofte er inkonsistent.

Bygget for skala: Opp til 500 milliarder rader

KumoRFM-2 er designet for å operere på skalaen av moderne data-infrastruktur.

Systemet kan prosessere datasamlinger som overstiger 500 milliarder rader ved å kombinere database-nativ kjøring med en tilpasset graf-motor som kan håndtere høy gjennomstrømming av data. I stedet for å flytte data inn i et separat ML-system, presses beregningen direkte til hvor dataene befinner seg — enten i SQL-databaser eller skytjener-hus.

Dette reduserer forsinkelse, forenkler distribusjon og gjør det mulig for organisasjoner å integrere prediktive funksjoner direkte i eksisterende arbeidsflyter.

Naturlig språk som grensesnitt

En annen definierende egenskap er modellens naturlige språkgrensesnitt.

Brukere kan stille spørsmål som:

• Hvilke kunder er sannsynlig å forlate i de neste 30 dagene?
• Hvilke leads er mest sannsynlig å konvertere?
• Hvilke produkter vil se økt etterspørsel?

Systemet oversetter disse spørsmålene til strukturert prediktiv logikk, kjører dem på underliggende data og returnerer både prediksjoner og forklaringer.

Dette gjør ikke bare prediktiv analyse mer tilgjengelig, men muliggjør også integrasjon med AI-agenter, hvor prediksjoner kan være innbygget i automatiserte beslutningsarbeidsflyter.

Mot agent-drevet bedriftsintelligens

KumoRFM-2 er designet med agenter i tankene.

Dens prediktive funksjoner kan eksponeres som modulære “ferdigheter” som AI-agenter kan ringe som en del av større arbeidsflyter. Dette gjør prediktiv modellering om til en komponerbar byggekloss — noe som kan kombineres med henting, resonnering og kjøring i autonome systemer.

I denne sammenhengen er modellen ikke bare et verktøy for analytikere, men en grunnleggende lag for neste generasjons bedriftsautomatisering.

Omdefinere rollen til data-vitenskap

KumoRFM-2 signaliserer en bredere endring i hvordan organisasjoner nærmer seg data-vitenskap.

I stedet for å bygge og vedlikeholde dusinvis av oppgave-spesifikke modeller, kan teamene stole på et enkelt, generelt system som tilpasser seg nye problemer umiddelbart. Dette reduserer behovet for spesialisert ekspertise i funksjonsutforming og modelljustering, samtidig som det muliggjør raskere eksperimentering og iterering.

For mange organisasjoner kan dette bety å gå fra en sentralisert data-vitenskapsfunksjon til en mer distribuert modell, hvor prediktive innsikter er tilgjengelige på tvers av flere avdelinger.

En ny kategori av grunnmodeller

Mens grunnmodeller allerede har forandret domener som språk og visning, har strukturert bedriftsdata forblett en av de siste grensene.

KumoRFM-2 representerer et tidlig eksempel på hva spesialiserte grunnmodeller for strukturert data kan oppnå. Ved å kombinere relasjonsresonnering, kontekstlæring og naturlig språkinteraksjon, introduserer den en ny paradigme for prediktiv AI.

Hvis denne tilnærmingen blir vidt akseptert, kan den omdefinere hvordan bedrifter interagerer med sine data — og omdanne prediktiv analyse fra en kompleks, forsinket prosess til en sanntids, organisasjonsomfattende evne.