Kumo Lanserar KumoRFM-2, En Grundmodell Utvecklad För Att Ersätta Traditionell Företagsmaskinlärning

Kumo har presenterat KumoRFM-2, en nästa generations grundmodell som är specifikt utvecklad för strukturerad företagsdata – vilket markerar en grundläggande förändring i hur organisationer genererar förutsägelser från sina datawarehouse. Till skillnad från traditionella maskinlärningspipelines som kräver månader av funktionsteckning och anpassad modellutveckling, möjliggör KumoRFM-2 för team att generera förutsägelser direkt med hjälp av naturligt språk, utan utbildning eller specialiserad expertis.

I sin kärna representerar modellen en ny kategori av AI: en relationsgrundmodell som opererar direkt på företagsdatastrukturer snarare än att platta till dem i förenklade tabeller. Denna distinktion adresserar en av de mest bestående begränsningarna i företags-AI, där värdefulla relationer mellan datamängder ofta förloras innan modelleringen ens börjar.

Från Statiska Pipelines Till Realtids-Prediktiva System

Företagsprediktiv analys har historiskt sett varit långsam och resurskrävande. Varje nytt användningsfall – oavsett om det gäller kundbortfall, bedrägeridetektering eller efterfrågan – kräver vanligtvis en separat pipeline, som innefattar datarengöring, funktionsteckning, modellutbildning och justering.

KumoRFM-2 ersätter hela denna arbetsflöde med ett enda, förutbildat system.

I stället för att bygga modeller, definierar användarna vad de vill förutsäga. Modellen tolkar begäran, konstruerar den nödvändiga kontexten från den underliggande databasen och producerar förutsägelser i ett enda steg. Detta möjliggörs genom en kombination av in-context-lärande och en deklarativ gränssnitt som kallas Predictive Query Language (PQL), där användarna uttrycker den utfall de bryr sig om snarare än de steg som krävs för att beräkna det.

Resultatet är en förändring från “bygga modeller” till “ställa frågor” – en förändring som signifikant sänker tröskeln för att använda prediktiv AI över hela organisationen.

Varför Relational Data Har Varit Så Svårt

De flesta befintliga AI-system kämpar med strukturerad företagsdata av en enkel anledning: de behandlar den felaktigt.

Traditionella modeller, inklusive många tabellbaserade AI-system och till och med stora språkmodeller, förlitar sig på att platta till data i en enda tabell. Men verkliga företagsdata existerar som sammanlänkade system – kunder länkade till transaktioner, transaktioner länkade till produkter, produkter länkade till lager, allt utvecklas över tid.

Att platta till denna struktur tar bort de relationer som ofta innehåller de mest värdefulla prediktiva signalerna. Det tvingar också team att manuellt återskapa dessa signaler genom funktionsteckning, en process som är både tidskrävande och benägen till fel.

KumoRFM-2 undviker detta helt genom att operera direkt på relationsdatabaser, bevara anslutningar över tabeller, tidsstämplar och entiteter.

Inuti Arkitekturen: Hur KumoRFM-2 Fungerar

Den viktigaste innovationen bakom KumoRFM-2 är dess hierarkiska Relational Graph Transformer-arkitektur, som bearbetar data på flera nivåer samtidigt.

På den första nivån analyserar modellen enskilda tabeller med hjälp av en kombination av rad- och kolumnuppmärksamhet. Detta möjliggör för modellen att förstå hur funktioner relaterar till varandra inom en tabell samtidigt som den filtrerar bort irrelevanta eller bullriga data tidigt i processen. Viktigt är att prediktionsmålet introduceras på detta stadium, vilket innebär att modellen är villkorad av uppgiften från början.

På den andra nivån utför modellen grafbaserad resonemang över tabeller. Med hjälp av utländska nyckelrelationer kopplar den data från olika delar av databasen – som att länka en kundprofil till köphistorik eller beteendemönster – och identifierar tvärstabellssignaler som annars skulle gå förlorade.

På den tredje nivån inkorporerar modellen tvärsample-uppmärksamhet, vilket möjliggör för den att lära sig från flera exempel på samma gång. Detta möjliggör för den att generalisera från ett relativt litet antal kontextexempel, snarare än att kräva fullständiga utbildningsdata.

Denna stegvisa design är avgörande. Den undviker den beräkningsmässiga explosionen som skulle uppstå om alla datapunkter bearbetades samtidigt, samtidigt som den förbättrar noggrannheten genom att filtrera bort brus innan djupare resonemang sker.

In-Context-Lärande Ersätter Utbildning

En definierande funktion i KumoRFM-2 är dess tillit till in-context-lärande snarare än traditionell utbildning.

I stället för att utbilda en modell för varje uppgift, är KumoRFM-2 förutbildad en gång på en stor blandning av syntetisk och verklig relationsdata. När en användare skickar en förutsägelsebegäran, genererar systemet automatiskt en uppsättning kontextexempel – små subgrafer av databasen parade med kända resultat.

Dessa exempel fungerar som vägledning för modellen, vilket möjliggör för den att härleda mönster och producera förutsägelser utan att uppdatera sina vikter. I praktiken innebär detta:

• Ingen uppgiftsspecifik utbildning
• Ingen funktionsteckning
• Ingen modelljustering

Även med så lite som 0,2% av den data som vanligtvis krävs för övervakad inlärning, kan modellen uppnå toppmoderna prestationer.

Prestanda Över Verkliga Benchmark

KumoRFM-2 har utvärderats över 41 prediktiva uppgifter som omfattar branscher som e-handel, hälsovård, sociala plattformar och företagssystem.

Modellen överträffar konsekvent traditionella övervakade maskinlärningsmetoder, inklusive utvecklade ensembler och relationsdjupinlärningssystem. På företagsbenchmark överträffar den allmänt använda lösningar med betydande marginaler, samtidigt som den förbättras ytterligare när den finjusteras.

Förutom ren noggrannhet visar modellen stark robusthet:

• Upprätthåller prestanda även när stora delar av relationslänkar saknas
• Hanterar bullrig eller ofullständig data med minimal försämring
• Fungerar bra i kallstartsscenarier där historisk data är begränsad

Denna motståndskraft är särskilt viktig i företagsmiljöer, där datakvalitet ofta är inkonsekvent.

Byggt För Skalbarhet: Upp Till 500 Miljarder Rader

KumoRFM-2 är utvecklat för att fungera på skalan av modern datainfrastruktur.

Systemet kan bearbeta datamängder som överstiger 500 miljarder rader genom att kombinera databasnaturlig körning med en anpassad grafmotor som kan hantera hög dataåtkomst. I stället för att flytta data till ett separat ML-system, skickas beräkningen direkt till var data finns – antingen i SQL-databaser eller molndatalager.

Denna metod minskar fördröjning, förenklar distribution och tillåter organisationer att integrera prediktiva funktioner direkt i befintliga arbetsflöden.

Naturligt Språk Som Gränssnitt

En annan definierande funktion är modellens naturliga språkgränssnitt.

Användare kan ställa frågor som:

• Vilka kunder är troliga att avsluta inom de närmaste 30 dagarna?
• Vilka leads är mest sannolika att konvertera?
• Vilka produkter kommer att se en ökad efterfrågan?

Systemet översätter dessa frågor till strukturerad prediktiv logik, kör dem på den underliggande data och returnerar både förutsägelser och förklaringar.

Detta gör inte bara prediktiv analys mer tillgänglig, utan möjliggör också integration med AI-agenter, där förutsägelser kan infogas i automatiserade beslutsprocesser.

Mot Agent-Driven Företagsintelligens

KumoRFM-2 är utvecklat med agenter i åtanke.

De prediktiva funktionerna kan exponeras som modulära “färdigheter” som AI-agenter kan anropa som en del av större arbetsflöden. Detta omvandlar prediktiv modellering till en sammansatt byggsten – något som kan kombineras med återvinning, resonemang och körning i autonoma system.

I detta sammanhang är modellen inte bara ett verktyg för analytiker, utan en grundläggande lager för nästa generations företagsautomatisering.

Omvandla Rollen För Data Science

KumoRFM-2 signalerar en bredare förändring i hur organisationer närmar sig data science.

I stället för att bygga och underhålla dussintals uppgiftsspecifika modeller, kan team förlita sig på ett enda, allmänt system som anpassar sig till nya problem direkt. Detta minskar behovet av specialiserad expertis inom funktionsteckning och modelljustering, samtidigt som det möjliggör snabbare experiment och iteration.

För många organisationer kan detta innebära att gå från en centraliserad data science-funktion till en mer distribuerad modell, där prediktiva insikter är tillgängliga över flera avdelningar.

En Ny Kategori Av Grundmodeller

Medan grundmodeller redan har förändrat områden som språk och syn, har strukturerad företagsdata förblivit en av de sista frontlinjerna.

KumoRFM-2 representerar ett tidigt exempel på vad specialiserade grundmodeller för strukturerad data kan uppnå. Genom att kombinera relationsresonemang, in-context-lärande och naturligt språk, introducerar den en ny paradigm för prediktiv AI.

Om denna metod antas i stor skala, kan den omdefiniera hur företag interagerar med sina data – förvandla prediktiv analys från en komplex, fördröjd process till en realtidsförmåga över hela organisationen.