Kumo uruchamia KumoRFM-2, model podstawowy zaprojektowany w celu zastąpienia tradycyjnego przedsiębiorczego uczenia maszynowego

Kumo przedstawiło KumoRFM-2, model podstawowy następnej generacji, zaprojektowany specjalnie dla strukturalnych danych przedsiębiorstw, co oznacza fundamentalną zmianę w sposobie, w jaki organizacje generują przewidywania na podstawie swoich magazynów danych. W przeciwieństwie do tradycyjnych potoków uczenia maszynowego, które wymagają miesięcy inżynierii cech i niestandardowego rozwoju modelu, KumoRFM-2 umożliwia zespołom generowanie przewidywań natychmiast za pomocą języka naturalnego, bez konieczności szkolenia ani specjalistycznej wiedzy.

W swojej istocie model reprezentuje nową kategorię sztucznej inteligencji: relacyjny model podstawowy, który działa bezpośrednio na strukturach danych przedsiębiorstw, a nie spłaszcza ich w uproszczone tabele. Ta różnica rozwiązuje jeden z najbardziej uporczywych ograniczeń w przedsiębiorczym AI, gdzie cenne relacje między zestawami danych są często tracone przed rozpoczęciem modelowania.

Od statycznych potoków do systemów predykcyjnych w czasie rzeczywistym

Przedsiębiorcza analityka predykcyjna była historycznie powolna i wymagająca zasobów. Każdy nowy przypadek użycia – czy to predykcja churnu, wykrywanie oszustw czy prognozowanie popytu – zwykle wymaga oddzielnego potoku, obejmującego czyszczenie danych, inżynierię cech, szkolenie modelu i dostrojenie.

KumoRFM-2 zastępuje cały ten proces jednym, wstępnie wytrenowanym systemem.

Zamiast budować modele, użytkownicy definiują, co chcą przewidzieć. Model interpretuje żądanie, tworzy niezbędny kontekst z podstawowej bazy danych i produkuje przewidywania w jednej passie. Jest to możliwe dzięki połączeniu uczenia się w kontekście i deklaratywnego interfejsu o nazwie Predictive Query Language (PQL), w którym użytkownicy wyrażają wynik, którym się interesują, a nie kroki wymagane do jego obliczenia.

Wynikiem jest zmiana z “budowania modeli” na “zadawanie pytań” – zmiana, która znacznie obniża barierę dla korzystania z predykcyjnego AI w całej organizacji.

Dlaczego relacyjne dane były tak trudne

Większość istniejących systemów AI ma trudności ze strukturalnymi danymi przedsiębiorstw z prostego powodu: traktują je nieprawidłowo.

Tradycyjne modele, w tym wiele systemów AI w postaci tabelarycznej i nawet duże modele językowe, opierają się na spłaszczaniu danych w jedną tabelę. Ale rzeczywiste dane przedsiębiorstw istnieją jako połączone systemy – klienci połączeni z transakcjami, transakcje połączone z produktami, produkty połączone z zapasami, wszystko ewoluujące w czasie.

Spłaszczanie tej struktury usuwa relacje, które często zawierają najcenniejsze sygnały predykcyjne. Zmusza również zespoły do ręcznego odtwarzania tych sygnałów za pomocą inżynierii cech, procesu, który jest zarówno czasochłonny, jak i podatny na błędy.

KumoRFM-2 unika tego całkowicie, działając bezpośrednio na relacyjnych bazach danych, zachowując połączenia między tabelami, znacznikami czasu i encjami.

Wewnątrz architektury: Jak działa KumoRFM-2

Kluczowa innowacja za KumoRFM-2 jest jego hierarchiczna architektura Relational Graph Transformer, która przetwarza dane na wielu poziomach jednocześnie.

Na pierwszym poziomie model analizuje poszczególne tabele za pomocą kombinacji uwagi wiersza i kolumny. Pozwala to zrozumieć, jak cechy są powiązane wewnątrz tabeli, a jednocześnie filtrować nieistotne lub szumowe dane na wczesnym etapie procesu. Co więcej, cel predykcji jest wprowadzony na tym etapie, co oznacza, że model jest warunkowany zadaniem od samego początku.

Na drugim poziomie model wykonuje graficzne rozumność między tabelami. Za pomocą obcych kluczy łączy dane z różnych części bazy danych – takich jak połączenie profilu klienta z historią zakupów lub wzorcami zachowań – i identyfikuje sygnały międzytabelowe, które w przeciwnym razie zostałyby utracone.

Na trzecim poziomie model uwzględnia uwagę między próbkami, co pozwala mu uczyć się z wielu przykładów jednocześnie. Umożliwia to generalizowanie z relatywnie niewielkiej liczby przykładów kontekstowych, a nie wymaga pełnych zbiorów danych szkoleniowych.

Ten stopniowy projekt jest krytyczny. Unika wybuchu obliczeniowego, który nastąpiłby w przypadku przetwarzania każdego punktu danych jednocześnie, a także poprawia dokładność, filtrując szum przed głębszymi rozumniami.

Uczenie się w kontekście zastępuje szkolenie

Cechą definiującą KumoRFM-2 jest jego zależność od uczenia się w kontekście zamiast tradycyjnego szkolenia.

Zamiast szkolenia modelu dla każdego zadania, KumoRFM-2 jest wstępnie wytrenowany raz na dużej mieszance syntetycznych i rzeczywistych relacyjnych danych. Gdy użytkownik wysyła żądanie predykcji, system automatycznie generuje zestaw przykładów kontekstowych – małych podgrafów bazy danych wraz z znanymi wynikami.

Te przykłady służą jako wskazówka dla modelu, pozwalając mu wnioskować wzorce i generować przewidywania bez aktualizacji wag. W praktyce oznacza to:

• Brak szkolenia specyficznego dla zadania
• Brak inżynierii cech
• Brak dostrojenia modelu

Nawet z tak niewielką ilością danych, jak 0,2% danych zwykle wymaganych do uczenia nadzorowanego, model może osiągnąć najlepsze wyniki.

Wydajność w przypadku rzeczywistych benchmarków

KumoRFM-2 został oceniony w 41 zadaniach predykcyjnych obejmujących branże takie jak handel elektroniczny, opieka zdrowotna, platformy społeczne i systemy przedsiębiorstw.

Model konsekwentnie przewyższa tradycyjne podejścia do uczenia maszynowego, w tym zbudowane ensembles i systemy relacyjnego głębokiego uczenia. W przypadku benchmarków przedsiębiorstw przewyższa powszechnie stosowane rozwiązania o znaczne marginesy, a także poprawia wyniki po dostrojeniu.

Ponad surową dokładnością model wykazuje silną wytrzymałość:

• Utrzymuje wydajność nawet w przypadku braku dużych części relacyjnych połączeń
• Radzi sobie z hałasem lub niepełnymi danymi z minimalnym pogorszeniem
• Wykonuje się dobrze w scenariuszach cold-start, w których historia danych jest ograniczona

Ta wytrzymałość jest szczególnie ważna w środowiskach przedsiębiorstw, gdzie jakość danych jest często niejednorodna.

Zbudowany do skali: Do 500 miliardów wierszy

KumoRFM-2 został zaprojektowany do pracy na skalę nowoczesnej infrastruktury danych.

System może przetwarzać zestawy danych przekraczające 500 miliardów wierszy, łącząc wykonywanie rodzime bazy danych z niestandardowym silnikiem graficznym, który umożliwia wysokoprzepływowy dostęp do danych. Zamiast przenosić dane do oddzielnego systemu ML, obliczenia są przesyłane bezpośrednio do miejsca, w którym znajdują się dane – czy to w bazach danych SQL, czy w chmurze magazynów danych.

Ten podejście redukuje opóźnienia, upraszcza wdrożenie i pozwala organizacjom integrować predykcyjne możliwości bezpośrednio w istniejące procesy.

Język naturalny jako interfejs

Inną cechą definiującą jest interfejs języka naturalnego modelu.

Użytkownicy mogą zadawać pytania takie jak:

• Którzy klienci są najbardziej prawdopodobni do churnu w ciągu najbliższych 30 dni?
• Które potencjalni klienci są najbardziej prawdopodobni do konwersji?
• Które produkty będą miały zwiększony popyt?

System tłumaczy te zapytania na strukturalną logikę predykcyjną, wykonuje je na podstawowych danych i zwraca zarówno przewidywania, jak i wyjaśnienia.

To nie tylko sprawia, że analityka predykcyjna staje się bardziej dostępna, ale także umożliwia integrację z agentami AI, gdzie przewidywania mogą być wbudowane w automatyczne procesy decyzyjne.

Ku agentom napędzanym przez przedsiębiorczą inteligencję

KumoRFM-2 został zaprojektowany z myślą o agentach.

Jego możliwości predykcyjne mogą być eksponowane jako modułowe “umiejętności”, które agenci AI mogą wywołać jako część większych procesów. To zmienia modelowanie predykcyjne w komponowany blok budulcowy – coś, co może być połączone z pobieraniem, rozumnością i wykonaniem w autonomicznych systemach.

W tym kontekście model nie jest tylko narzędziem dla analityków, ale warstwą podstawową dla następnej generacji automatyzacji przedsiębiorstw.

Przebudowując rolę nauki danych

KumoRFM-2 sygnalizuje szerszą zmianę w sposobie, w jaki organizacje podchodzą do nauki danych.

Zamiast budowania i utrzymywania dziesiątek modeli specyficznych dla zadania, zespoły mogą polegać na jednym, ogólnym systemie, który dostosowuje się do nowych problemów natychmiast. To redukuje potrzebę specjalistycznej wiedzy w zakresie inżynierii cech i dostrojenia modelu, a także umożliwia szybsze eksperymentowanie i iterację.

Dla wielu organizacji może to oznaczać przejście od scentralizowanej funkcji nauki danych do bardziej rozproszonego modelu, w którym przewidywania są dostępne w wielu departamentach.

Nowa kategoria modeli podstawowych

Podczas gdy modele podstawowe już przekształciły dziedziny takie jak język i wizja, strukturalne dane przedsiębiorstw pozostały jedną z ostatnich granic.

KumoRFM-2 reprezentuje wczesny przykład tego, co mogą osiągnąć specjalistyczne modele podstawowe dla strukturalnych danych. Łącząc rozumność relacyjną, uczenie się w kontekście i interakcję języka naturalnego, wprowadza nowy paradygmat dla predykcyjnego AI.

Jeśli zostanie szeroko przyjęty, ten podejście może zmienić sposób, w jaki firmy wchodzą w interakcje ze swoimi danymi – zmieniając analitykę predykcyjną z złożonego, opóźnionego procesu wcapability w czasie rzeczywistym, dostępną w całej organizacji.