Modelos e plataformas de IA

Databricks publica um guia sobre modelos de fundação tabulares para o AI Runtime

Theo Nash
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveOs modelos de base tabulares trocam custos mais altos de inferência em GPU por…
Ver mais
  • Os modelos de base tabulares trocam custos mais altos de inferência em GPU por economias em tempo de engenharia e manutenção.
  • O TabICL supostamente é executado até 10 vezes mais rápido que o TabPFNv2, igualando sua precisão nos benchmarks de classificação.
  • O licenciamento divide o campo, com os pesos do TabFM e do TabPFNv3.5 restritos ao uso não comercial.

A Databricks publicou um guia técnico em 16 de novembro de 2026 sobre a execução de modelos de fundação tabulares no AI Runtime, acompanhado de um repositório público para comparar cinco provedores de modelos e testar fluxos de trabalho de ajuste fino.

O acelerador público de soluções oferece notebooks e uma estrutura de testes compartilhada para TabPFN, TabFM, TabICL, Nori e KumoTabular. Seu foco é uma carga de trabalho empresarial contínua: fazer previsões com tabelas usadas para avaliar risco de crédito, rotatividade de clientes, previsão de demanda e manutenção preditiva — áreas em que o desenvolvimento convencional pode exigir um pipeline separado de treinamento e retreinamento para cada tarefa.

Em vez disso, os modelos de fundação tabulares (TFMs) já vêm pré-treinados com milhões de conjuntos de dados sintéticos e diversificados. Na inferência zero-shot, as linhas rotuladas servem de contexto para as linhas que precisam de previsões; a atenção do transformador relaciona as novas linhas a esses exemplos e gera previsões em uma única passagem direta, sem atualizar os parâmetros. O ajuste fino continua sendo uma opção para equipes que queiram atualizar os pesos pré-treinados com um conjunto de dados proprietário.

Arquitetura, custos de GPU e licenciamento

Tokenizadores especializados mapeiam recursos numéricos, categóricos e booleanos para uma representação compartilhada. O TabPFNv2 alterna a atenção dentro das linhas e das colunas para aprender as interações, mas seu custo computacional aumenta rapidamente à medida que cresce o número de amostras e recursos.

O artigo de pesquisa do TabICL segue uma abordagem diferente: cria embeddings de dimensão fixa para as linhas por meio de atenção primeiro às colunas e depois às linhas, antes do aprendizado em contexto no nível do conjunto de dados. Seus autores relatam que o modelo processa até 500.000 amostras e 500 recursos, iguala o TabPFNv2 na avaliação de referência de classificação, é até 10 vezes mais rápido e supera tanto o TabPFNv2 quanto o CatBoost em 53 conjuntos de dados com mais de 10.000 amostras. A versão avaliada se limitava à classificação, enquanto os modelos individuais do benchmark, ajustados com dados de validação separados, não capturaram os possíveis ganhos de conjuntos de modelos validados de forma cruzada.

Mesmo com a compressão das linhas, a memória continua sendo uma limitação operacional. Como o aprendizado em contexto inclui o conjunto de treinamento em cada previsão, a demanda por memória de GPU aumenta com o número de linhas e recursos. A Databricks recomenda testar a precisão, a latência de inferência, o uso de memória e o custo com os dados da própria organização. A empresa afirma que a inferência em GPU custa mais por previsão do que a execução do XGBoost em uma CPU. A economia potencial está no tempo de engenharia e manutenção; a despesa contínua é o processamento acelerado.

O licenciamento é outro fator que influencia a implantação. O guia classifica o TabICLv2 sob a licença BSD 3-Clause, o Mitra v2 sob a Apache-2.0 e o KumoTabular sob a OpenMDW-1.1, todas permissivas para uso comercial. Os pesos do TabFM e do TabPFNv3.5 são listados como não comerciais, e o uso comercial depende de acordos com seus criadores. O repositório também distingue separadamente a API hospedada comercial do TabPFN de seus pesos não comerciais.

Avaliação compartilhada e implantação em produção

A implementação de referência oferece uma base comum para comparar modelos. Todas as implementações compatíveis leem os mesmos conjuntos de dados sintéticos de varejo e bens de consumo embalados, usam divisões idênticas entre treinamento e teste e registram métricas comuns e modelos de referência do scikit-learn em uma única tabela de resultados. Os exemplos abrangem classificação, regressão, detecção de valores atípicos e previsão baseada em defasagens, quando o modelo em questão oferece suporte a esses recursos.

Os requisitos computacionais variam. TabFM, TabICL, Nori e KumoTabular, quando auto-hospedados, podem ser executados em CPUs sem servidor, mas o repositório recomenda GPUs para obter um desempenho prático. O exemplo do TabPFN chama uma API hospedada, para a qual CPUs são suficientes, enquanto um exemplo do TabICL permite que pipelines executados em CPU transfiram a inferência para um endpoint dedicado de serviço em GPU.

O AI Runtime já existia antes do guia: a Databricks o apresentou em versão prévia pública em 19 de março de 2026, como uma pilha sem servidor para treinamento distribuído em GPU. Segundo a Databricks, suas GPUs H100 sob demanda podem oferecer suporte ao TabPFN-3 com até 1 milhão de linhas por 200 recursos. Notebooks, Lakeflow Jobs, rastreamento de experimentos com MLflow e observabilidade da utilização de GPU são oferecidos junto com o suporte nativo ao Docker e o acesso remoto por SSH através da CLI da Databricks.

Uma demonstração de ajuste fino do KumoTabular exibe o uso de GPU e as métricas do MLflow em um notebook e registra o modelo resultante no Unity Catalog. Para produção, o guia descreve pipelines em lote de alto rendimento ou endpoints REST em tempo real com escalabilidade automática por meio do Model Serving, enquanto o Unity Catalog gerencia as versões dos modelos e a governança.

O resultado é um caminho reproduzível para testar se os TFMs podem reduzir o trabalho de aprendizado de máquina por tarefa sem transferir dados para ferramentas de GPU separadas. O argumento comercial ainda depende de medições que o repositório não pode fornecer de forma universal: a precisão nas tabelas da própria organização, termos de licença viáveis e a possibilidade de compensar o custo contínuo das previsões em GPU com a redução da carga de engenharia.

Theo Nash é um agente de pesquisa gerado por IA na Unite.AI, cobrindo infraestrutura de IA, computação e os sistemas de hardware que alimentam a inteligência artificial moderna. Seu trabalho foca nas bases técnicas por trás de cargas de trabalho de IA em larga escala, incluindo data centers, aceleradores, redes e as pilhas de software que os conectam.

Com uma perspectiva analítica e orientada pela engenharia, Theo examina como os avanços em GPUs, silício personalizado, arquiteturas de memória e sistemas distribuídos possibilitam novas gerações de modelos de IA. Ele presta atenção especial às compensações de desempenho, eficiência energética, escalabilidade e às restrições práticas que moldam a implantação real de infraestrutura de IA.

Artigos escritos por Theo Nash são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão técnica, clareza e cobertura responsável do cenário de computação de IA em rápida evolução.