Kumo lansează KumoRFM-2, un model de fundație conceput pentru a înlocui învățarea automată tradițională a întreprinderilor

Kumo a lansat KumoRFM-2, un model de fundație de următoare generație, conceput special pentru date structurate de întreprindere, marcând o schimbare fundamentală în modul în care organizațiile generează predicții din depozitele de date. În contrast cu conductele tradiționale de învățare automată, care necesită luni de inginerie a caracteristicilor și dezvoltare a modelului, KumoRFM-2 permite echipelor să genereze predicții instantaneu, utilizând limbajul natural, fără a necesita pregătire sau expertiză specializată.

La nivelul său central, modelul reprezintă o nouă categorie de inteligență artificială: un model de fundație relațional care operează direct pe structuri de date de întreprindere, în loc să le aplatizeze în tabele simplificate. Această distincție abordează una dintre cele mai persistente limitări în inteligența artificială a întreprinderilor, unde relațiile valoroase dintre seturi de date sunt adesea pierdute înainte de a începe modelarea.

De la conducte statice la sisteme predictive în timp real

Analitica predictivă a întreprinderii a fost, istoric, lentă și consumatoare de resurse. Fiecare nouă utilizare – fie predicția abandonului, detectarea fraudelor sau previziunea cererii – necesită, de obicei, o conductă separată, implicând curățarea datelor, ingineria caracteristicilor, antrenarea modelului și reglarea.

KumoRFM-2 înlocuiește întreaga flux de lucru cu un singur sistem pre-antrenat.

În loc de a construi modele, utilizatorii definesc ce doresc să prevadă. Modelul interpretează solicitarea, construiește contextul necesar din baza de date subiacentă și produce predicții într-o singură trecere. Acest lucru este posibil prin combinarea învățării în context și a unei interfețe declarative numite Limbaj de Interogare Predictivă (PQL), în care utilizatorii exprimă rezultatul pe care îl doresc, în loc să specifice pașii necesari pentru a-l calcula.

Rezultatul este o schimbare de la “construirea de modele” la “punerea de întrebări” – o schimbare care reduce semnificativ bariera de utilizare a inteligenței artificiale predictive în întreaga organizație.

De ce datele relaționale au fost atât de dificile

Majoritatea sistemelor de inteligență artificială existente se luptă cu datele structurate de întreprindere dintr-un motiv simplu: le tratează în mod greșit.

Modelele tradiționale, inclusiv multe sisteme de inteligență artificială tabulară și chiar modele de limbaj mare, se bazează pe aplatizarea datelor într-o singură tabelă. Dar datele reale de întreprindere există sub formă de sisteme interconectate – clienți legați de tranzacții, tranzacții legate de produse, produse legate de stoc, toate evoluează în timp.

Aplatizarea acestei structuri elimină relațiile care adesea conțin cele mai valoroase semnale predictive. De asemenea, forțează echipele să recrieze manual aceste semnale prin ingineria caracteristicilor, un proces care este atât timp-consuming, cât și predispus la erori.

KumoRFM-2 evită acest lucru, operând direct pe baze de date relaționale, păstrând conexiunile între tabele, timpii de timp și entități.

În interiorul arhitecturii: Cum funcționează KumoRFM-2

Inovația cheie din spatele KumoRFM-2 este arhitectura sa ierarhică de Transformator Grafic Relațional, care procesează date la multiple niveluri simultan.

La primul nivel, modelul analizează tabele individuale utilizând o combinație de atenție pe rând și coloană. Acest lucru îi permite să înțeleagă cum se relaționează caracteristicile în interiorul unei tabele, filtrând în același timp datele irelevante sau zgomotoase devreme în proces. Important, ținta de predicție este introdusă la acest stadiu, ceea ce înseamnă că modelul este condiționat de sarcină de la început.

La al doilea nivel, modelul efectuează raționament grafic între tabele. Utilizând chei străine, leagă date din diferite părți ale bazei de date – cum ar fi legarea unui profil de client de istoricul de cumpărături sau modele de comportament – și identifică semnalele trans-tabelare care ar fi altfel pierdute.

La al treilea nivel, modelul incorporează atenție trans-echantillon, permițându-i să învețe din multiple exemple deodată. Acest lucru îi permite să generalizeze dintr-un număr relativ mic de exemple de context, în loc să necesite seturi de date complete de antrenament.

Această proiectare etapizată este critică. Evită explozia computațională care ar apărea din procesarea simultană a fiecărui punct de date, îmbunătățind în același timp precizia prin filtrarea zgomotului înainte de a apărea raționamentul mai profund.

Învățarea în context înlocuiește antrenamentul

O caracteristică definitorie a KumoRFM-2 este dependența sa de învățarea în context, în loc de antrenamentul tradițional.

În loc de a antrena un model pentru fiecare sarcină, KumoRFM-2 este antrenat o singură dată pe un amestec mare de date sintetice și date reale relaționale. Când un utilizator trimite o solicitare de predicție, sistemul generează automat un set de exemple de context – subgrafuri mici ale bazei de date, împerecheate cu rezultate cunoscute.

Aceste exemple acționează ca îndrumare pentru model, permițându-i să inferă modele și să producă predicții fără a actualiza greutățile sale. În practică, acest lucru înseamnă:

• Fără antrenament specific sarcinii
• Fără inginerie a caracteristicilor
• Fără reglare a modelului

Chiar și cu doar 0,2% din datele obișnuit necesare pentru învățarea supravegheată, modelul poate atinge performanțe de ultimă generație.

Performanță pe benchmark-uri reale

KumoRFM-2 a fost evaluat pe 41 de sarcini predictive care acoperă industrii precum comerțul electronic, sănătate, platforme sociale și sisteme de întreprindere.

Modelul depășește constant abordările tradiționale de învățare automată supravegheată, inclusiv ansambluri inginerite și sisteme de învățare profundă relațională. Pe benchmark-urile de întreprindere, depășește soluțiile larg utilizate cu marje semnificative, îmbunătățindu-se și mai mult atunci când este reglat.

Dincolo de precizia brută, modelul demonstrează o robustețe puternică:

• Menține performanța chiar și atunci când legăturile relaționale mari lipsesc
• Manipulează date zgomotoase sau incomplete cu degradare minimă
• Performează bine în scenarii de pornire rece, în care datele istorice sunt limitate

Această reziliență este deosebit de importantă în medii de întreprindere, unde calitatea datelor este adesea inconsistentă.

Construit pentru scară: până la 500 de miliarde de rânduri

KumoRFM-2 este proiectat pentru a funcționa la scara infrastructurii de date moderne.

Sistemul poate procesa seturi de date care depășesc 500 de miliarde de rânduri, combinând execuția nativă a bazei de date cu un motor de grafic personalizat, capabil de acces de date de înaltă performanță. În loc de a muta datele într-un sistem de învățare automată separat, calculul este împins direct acolo unde se află datele – fie în baze de date SQL, fie în depozite de date cloud.

Acest abordaj reduce latența, simplifică implementarea și permite organizațiilor să integreze capacități predictive direct în fluxurile de lucru existente.

Limbajul natural ca interfață

O altă caracteristică definitorie este interfața de limbaj natural a modelului.

Utilizatorii pot pune întrebări precum:

• Care clienți sunt probabil să abandoneze în următoarele 30 de zile?
• Care lead-uri sunt cele mai probabil să se convertească?
• Care produse vor vedea o creștere a cererii?

Sistemul traduce aceste interogări în logică predictivă structurată, le execută pe datele subiacente și returnează atât predicții, cât și explicații.

Acest lucru nu numai că face analitica predictivă mai accesibilă, dar permite și integrarea cu agenți AI, unde predicțiile pot fi încorporate în fluxuri de lucru de decizie automate.

Spre inteligență de întreprindere condusă de agenți

KumoRFM-2 este proiectat cu agenți în minte.

Capacitățile sale predictive pot fi expuse ca “abilități” modulare pe care agenții AI le pot apela ca parte a unor fluxuri de lucru mai mari. Acest lucru transformă modelarea predictivă într-un bloc de construcție componibil – ceva care poate fi combinat cu recuperarea, raționamentul și execuția în sisteme autonome.

În acest context, modelul nu este doar un instrument pentru analiști, ci și un strat de fundație pentru automatizarea de întreprindere de următoare generație.

Redefinirea rolului științei datelor

KumoRFM-2 semnalează o schimbare mai largă în modul în care organizațiile abordează știința datelor.

În loc de a construi și de a menține zeci de modele specifice sarcinii, echipele pot să se bazeze pe un singur sistem general-purpose care se adaptează la noi probleme instantaneu. Acest lucru reduce nevoia de expertiză specializată în ingineria caracteristicilor și reglarea modelului, permițând o experimentare și o iterare mai rapidă.

Pentru multe organizații, acest lucru ar putea însemna trecerea de la o funcție centralizată de știință a datelor la un model mai distribuit, în care insight-urile predictive sunt accesibile în multiple departamente.

O nouă categorie de modele de fundație

În timp ce modelele de fundație au transformat deja domenii precum limbajul și viziunea, datele structurate de întreprindere au rămas una dintre ultimele frontiere.

KumoRFM-2 reprezintă un exemplu timpuriu al ceea ce pot realiza modelele de fundație specializate pentru date structurate. Prin combinarea raționamentului relațional, învățării în context și interacțiunii de limbaj natural, introduce un nou paradigma pentru inteligența artificială predictivă.

Dacă este adoptat pe scară largă, această abordare ar putea redefini modul în care afacerile interacționează cu datele lor – transformând analitica predictivă dintr-un proces complex și întârziat într-o capacitate în timp real, la nivel de organizație.