Modele i platformy AI

Databricks publikuje przewodnik po tabelarycznych modelach bazowych dla AI Runtime

Theo Nash
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyTabelaryczne modele bazowe wymieniają wyższe koszty wnioskowania na GPU na oszczędności…
Zobacz więcej
  • Tabelaryczne modele bazowe wymieniają wyższe koszty wnioskowania na GPU na oszczędności w czasie inżynierii i utrzymania.
  • Według doniesień TabICL działa nawet 10 razy szybciej niż TabPFNv2, osiągając jednocześnie porównywalną dokładność w benchmarkach klasyfikacji.
  • Licencjonowanie dzieli tę dziedzinę, ponieważ wagi TabFM i TabPFNv3.5 są ograniczone do użytku niekomercyjnego.

Databricks opublikował 16 listopada 2026 roku przewodnik techniczny dotyczący uruchamiania tabelarycznych modeli bazowych w AI Runtime. Towarzyszy mu publiczne repozytorium, które umożliwia porównywanie pięciu dostawców modeli i testowanie procesów dostrajania.

Publiczny akcelerator rozwiązań udostępnia notatniki i wspólne środowisko testowe dla TabPFN, TabFM, TabICL, Nori i KumoTabular. Jest przeznaczony do stałych obciążeń w przedsiębiorstwach: przewidywania wyników na podstawie tabel wykorzystywanych do oceny ryzyka kredytowego, rezygnacji klientów, prognozowania popytu i konserwacji predykcyjnej. W takich zastosowaniach tradycyjne podejście może wymagać osobnego procesu trenowania i ponownego trenowania dla każdego zadania.

Tabelaryczne modele bazowe (TFM) są natomiast wstępnie trenowane na milionach zróżnicowanych syntetycznych zbiorów danych. Podczas wnioskowania zero-shot oznaczone wiersze stanowią kontekst dla wierszy, dla których trzeba wygenerować predykcje; mechanizm uwagi transformera zestawia nowe wiersze z tymi przykładami i zwraca predykcje w jednym przebiegu w przód, bez aktualizacji parametrów. Zespoły, które chcą zaktualizować wstępnie wytrenowane wagi na zastrzeżonym zbiorze danych, nadal mogą dostroić model.

Architektura, koszty GPU i licencjonowanie

Specjalistyczne tokenizatory przekształcają cechy liczbowe, kategorialne i logiczne do wspólnej reprezentacji. TabPFNv2 naprzemiennie stosuje mechanizm uwagi do wierszy i kolumn, aby uczyć się zależności, jednak jego koszt obliczeniowy szybko rośnie wraz ze wzrostem liczby próbek i cech.

Artykuł badawczy o TabICL przedstawia inne podejście: najpierw, dzięki mechanizmowi uwagi obejmującemu kolejno kolumny i wiersze, tworzy osadzenia wierszy o stałym wymiarze, a następnie stosuje uczenie kontekstowe na poziomie zbioru danych. Autorzy informują, że model obsługuje do 500 000 próbek i 500 cech, osiąga wyniki porównywalne z TabPFNv2 w przeprowadzonej przez nich ewaluacji benchmarkowej klasyfikacji, działa nawet 10 razy szybciej oraz przewyższa zarówno TabPFNv2, jak i CatBoost na 53 zbiorach danych zawierających ponad 10 000 próbek. Oceniana wersja obsługiwała wyłącznie klasyfikację, a pojedyncze modele dostrojone na zbiorze odłożonym w ramach benchmarku nie uwzględniały potencjalnych korzyści z zespołów modeli walidowanych krzyżowo.

Pamięć pozostaje ograniczeniem operacyjnym nawet po kompresji wierszy. Ponieważ uczenie kontekstowe wymaga dostarczenia zbioru treningowego przy każdej predykcji, zapotrzebowanie na pamięć GPU rośnie wraz z liczbą wierszy i cech. Databricks zaleca testowanie dokładności, opóźnienia wnioskowania, zużycia pamięci i kosztów na własnych danych organizacji. Firma informuje też, że wnioskowanie na GPU kosztuje więcej w przeliczeniu na predykcję niż uruchamianie XGBoost na CPU. Potencjalna oszczędność dotyczy czasu pracy inżynierów i utrzymania, natomiast stałym wydatkiem pozostają obliczenia przyspieszane sprzętowo.

Licencjonowanie to kolejne kryterium przy wyborze rozwiązania do wdrożenia. W przewodniku TabICLv2 sklasyfikowano jako objęty licencją BSD 3-Clause, Mitra v2 — Apache-2.0, a KumoTabular — OpenMDW-1.1; wszystkie te licencje dopuszczają zastosowania komercyjne. Wagi TabFM i TabPFNv3.5 oznaczono jako niekomercyjne, a ich komercyjne użycie uzależniono od zawarcia umów z twórcami. W repozytorium osobno rozróżniono komercyjne, hostowane API TabPFN i jego niekomercyjne wagi.

Wspólna ewaluacja i wdrożenie produkcyjne

Implementacja referencyjna zapewnia wspólne podstawy do porównywania modeli. Każda obsługiwana implementacja odczytuje te same syntetyczne zbiory danych z handlu detalicznego i dóbr konsumpcyjnych pakowanych, korzysta z identycznych podziałów na zbiory treningowe i testowe oraz zapisuje wspólne metryki i wyniki modeli bazowych scikit-learn w jednej tabeli wyników. Przykłady obejmują klasyfikację, regresję, wykrywanie wartości odstających i prognozowanie z wykorzystaniem opóźnionych wartości — o ile dany model je obsługuje.

Wymagania obliczeniowe różnią się w zależności od rozwiązania. Samodzielnie hostowane modele TabFM, TabICL, Nori i KumoTabular mogą działać na bezserwerowych procesorach CPU, ale repozytorium zaleca użycie GPU, aby uzyskać praktyczną wydajność. Przykład TabPFN korzysta z hostowanego API, do którego wystarczają procesory CPU, natomiast przykład TabICL umożliwia potokom działającym na CPU przekazywanie wnioskowania do dedykowanego punktu końcowego obsługującego GPU.

AI Runtime powstał przed publikacją przewodnika: Databricks udostępnił go w publicznej wersji zapoznawczej 19 marca 2026 roku jako bezserwerowy stos do rozproszonego trenowania na GPU. Według Databricks dostępne na żądanie procesory GPU H100 mogą obsługiwać TabPFN-3 w przypadku zbiorów o wielkości do 1 miliona wierszy i 200 cech. Oprócz natywnej obsługi Dockera i zdalnego połączenia SSH przez Databricks CLI środowisko oferuje notatniki, Lakeflow Jobs, śledzenie eksperymentów MLflow oraz monitorowanie wykorzystania GPU.

Demonstracja dostrajania KumoTabular pokazuje w notatniku wykorzystanie GPU i metryki MLflow, a następnie rejestruje uzyskany model w Unity Catalog. W przewodniku opisano wdrożenia produkcyjne w postaci potoków przetwarzania wsadowego o dużej przepustowości lub skalujących się automatycznie punktów końcowych REST działających w czasie rzeczywistym za pośrednictwem Model Serving. Unity Catalog zarządza wersjami modeli i nadzorem nad nimi.

Rezultatem jest powtarzalny sposób sprawdzania, czy TFM mogą ograniczyć nakład pracy związany z uczeniem maszynowym dla poszczególnych zadań bez przenoszenia danych do osobnych narzędzi GPU. Uzasadnienie biznesowe nadal zależy od wyników pomiarów, których repozytorium nie może zapewnić w sposób uniwersalny: dokładności na własnych danych tabelarycznych organizacji, dostępności odpowiednich warunków licencyjnych oraz tego, czy niższe koszty pracy inżynierskiej zrównoważą stałe wydatki na predykcje realizowane z użyciem GPU.

Theo Nash jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się infrastrukturą AI, obliczeniami oraz systemami sprzętowymi napędzającymi współczesną sztuczną inteligencję. Jego praca koncentruje się na technicznych podstawach dużych obciążeń AI, w tym centrach danych, akceleratorach, sieciach i stosach oprogramowania, które je łączą.

Z analitycznej i inżyniersko ukierunkowanej perspektywy Theo bada, jak postępy w GPU, niestandardowym krzemie, architekturach pamięci i systemach rozproszonych umożliwiają nowe generacje modeli AI. Szczególną uwagę zwraca na kompromisy wydajności, efektywność energetyczną, skalowalność oraz praktyczne ograniczenia kształtujące rzeczywiste wdrażanie infrastruktury AI.

Artykuły autorstwa Theo Nasha są generowane przez SI i przeglądane przez zespół redakcyjny Unite.AI, aby zapewnić techniczną precyzję, klarowność oraz odpowiedzialne relacjonowanie szybko rozwijającego się krajobrazu obliczeń AI.