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

Kumo har lansert KumoRFM-2, en ny generasjons grunnmodell som er spesifikt designet for strukturert bedriftsdata – og markerer en fundamental endring i hvordan organisasjoner genererer prediksjoner fra sine datahus. I motsetning til tradisjonelle maskinlæringsrørledninger som krever måneder med funksjonsutforming og tilpasset modellutvikling, gjør KumoRFM-2 det mulig for team å generere prediksjoner øyeblikkelig 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 flatt dem til enklere tabeller. Denne distinksjonen adresserer en av de mest vedvarende begrensningene i bedrifts AI, hvor verdifulle relasjoner mellom datasett ofte går tapt før modelleringen begynner.

Fra statiske rørledninger til sanntids prediktive systemer

Bedrifts prediktive analytik har historisk sett vært treg og ressurskrevende. Hver nytt brukstilfelle – enten det gjelder churn-prediksjon, svindelfordeling eller etterspørselsprognose – krever vanligvis en separat rørledning, som inkluderer datarengjøring, funksjonsutforming, modelltrening og finjustering.

KumoRFM-2 erstatter hele denne arbeidsflyten med ett 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 gjøres mulig gjennom en kombinasjon av kontekstlæring og en deklarativ grensesnitt kalt Predictive Query Language (PQL), hvor brukerne uttrykker resultatet de bryr seg om i stedet for å angi de nødvendige steg for å beregne det.

Resultatet er en endring fra “bygging av modeller” til “stilling av spørsmål” – en endring som betydelig senker terskelen 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, avhenger av å flatt data til en enkelt tabell. Men virkelige bedriftsdata eksisterer som sammenkoblede systemer – kunder koblet til transaksjoner, transaksjoner koblet til produkter, produkter koblet til lager, alle utvikler seg over tid.

Flattning av denne strukturen fjerner relasjoner som ofte inneholder de mest verdifulle prediktive signalene. Det tvinger også team til å manuelt gjenskape disse signalene gjennom funksjonsutforming, en prosess som er både 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

Den nøkkelinnovasjonen bak KumoRFM-2 er dens hierarkiske Relational Graph Transformer-arkitektur, som prosesserer data på flere nivåer samtidig.

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

På det andre nivået utfører modellen grafisk basert resonnement på tvers av tabeller. Ved hjelp av fremmednøkkelrelasjoner kobler den data fra forskjellige deler av databasen – som å koble en kundeprofil til kjøpehistorikk eller atferdsmønster – og identifiserer tverrtabell-signaler som ellers ville gå tapt.

På det tredje nivået inkorporerer modellen tverrsamplefokus, 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 kontekseksempler, i stedet for å kreve fullstendige treningsdatasett.

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 støy før dyptere resonnement 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 sett med kontekseksempler – små subgrafer av databasen parret med kjente resultater.

Disse eksemplene fungerer som veiledning for modellen, og gjør det mulig for den å inferere 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 tvers av virkelige benchmark

KumoRFM-2 er evaluert på tvers av 41 prediktive oppgaver som omfatter bransjer som e-handel, helse, sosiale plattformer og bedriftssystemer.

Modellen overstiger konsekvent tradisjonelle overvåkede maskinlærings tilnærminger, inkludert konstruerte ensembler og relasjonsdyptelærings systemer. På bedrifts benchmark overstiger den vidt brukte løsninger med betydelige marginer, og forbedrer ytelsen ytterligere når den finjusteres.

Forbi 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 datasett som overstiger 500 milliarder rader ved å kombinere database-nativ utførelse med en tilpasset graf-motor som kan håndtere høy gjennomstrømming av data-tilgang. 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 sky-data-lagre.

Dette reduserer forsinkelsen, forenkler deployeringen 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 forespørslene til strukturert prediktiv logikk, kjører dem på den underliggende dataen og returnerer både prediksjoner og forklaringer.

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

Mot agent-drevet bedriftsintelligens

KumoRFM-2 er designet med agenter i mente.

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

I denne konteksten 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 avhenge av ett enkelt, generelt system som tilpasser seg nye problemer øyeblikkelig. Dette reduserer behovet for spesialisert ekspertise i funksjonsutforming og modelljustering, samtidig som det muliggjør raskere eksperimentering og iterasjon.

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 visjon, 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 relasjonsresonnement, kontekstlæring og naturlig språkinteraksjon, introduserer den en ny paradigme for prediktiv AI.

Hvis denne tilnærmingen blir vidt akseptert, kunne den omdefinere hvordan bedrifter samhandler med sine data – og omdanne prediktiv analytik fra en kompleks, forsinket prosess til en sanntids, organisasjonsomfattende funksjon.