โมเดลและแพลตฟอร์ม AI
Databricks เผยแพร่คู่มือโมเดลพื้นฐานสำหรับข้อมูลแบบตารางบนรันไทม์ AI

ประเด็นสำคัญโมเดลพื้นฐานแบบตารางแลกเปลี่ยนกับต้นทุนการประมวลผลด้วย GPU…
ดูเพิ่มเติม
- โมเดลพื้นฐานแบบตารางแลกเปลี่ยนกับต้นทุนการประมวลผลด้วย GPU ที่สูงขึ้นเพื่อประหยัดเวลาในการวิศวกรรมและการบำรุงรักษา
- มีรายงานว่า TabICL ทำงานได้เร็วถึง 10 เท่าเมื่อเทียบกับ TabPFNv2 ในขณะที่ความแม่นยำในเกณฑ์มาตรฐานการจำแนกประเภทนั้นเทียบเท่ากัน
- การอนุญาตสิทธิ์แบ่งแยกวงการ โดยน้ำหนักของ TabFM และ TabPFNv3.5 ถูกจำกัดให้ใช้ได้เฉพาะที่ไม่ใช่เชิงพาณิชย์
เมื่อวันที่ 16 พฤศจิกายน 2026 Databricks เผยแพร่คู่มือทางเทคนิคสำหรับการใช้งานโมเดลพื้นฐานสำหรับข้อมูลแบบตารางบน รันไทม์ AI พร้อมคลังโค้ดสาธารณะที่ใช้เปรียบเทียบผู้ให้บริการโมเดล 5 รายและทดสอบเวิร์กโฟลว์การปรับแต่งโมเดล
ชุดเร่งการพัฒนาโซลูชันสาธารณะนี้มีโน้ตบุ๊กและชุดทดสอบร่วมสำหรับ TabPFN, TabFM, TabICL, Nori และ KumoTabular โดยมุ่งรองรับเวิร์กโหลดระดับองค์กรที่ดำเนินต่อเนื่อง ได้แก่ การคาดการณ์จากตารางที่ใช้ประเมินความเสี่ยงด้านเครดิต การเลิกใช้บริการของลูกค้า การพยากรณ์อุปสงค์ และการบำรุงรักษาเชิงคาดการณ์ ซึ่งการพัฒนาแบบเดิมอาจทำให้ต้องสร้างไปป์ไลน์ฝึกและฝึกซ้ำแยกกันสำหรับแต่ละงาน
โมเดลพื้นฐานสำหรับข้อมูลแบบตาราง (TFM) ได้รับการฝึกมาล่วงหน้าด้วยชุดข้อมูลสังเคราะห์ที่หลากหลายนับล้านชุดแทน ในการอนุมานแบบ zero-shot แถวข้อมูลที่มีป้ายกำกับจะทำหน้าที่เป็นบริบทให้แถวที่ต้องการการคาดการณ์ กลไก attention ของทรานส์ฟอร์เมอร์จะเชื่อมโยงแถวใหม่กับตัวอย่างเหล่านั้น แล้วส่งคืนผลคาดการณ์ในการประมวลผลไปข้างหน้าเพียงครั้งเดียว โดยไม่ต้องอัปเดตพารามิเตอร์ ทีมที่ต้องการปรับน้ำหนักที่ฝึกไว้ล่วงหน้าโดยใช้ชุดข้อมูลเฉพาะของตนเองยังสามารถเลือกปรับแต่งโมเดลเพิ่มเติมได้
สถาปัตยกรรม ต้นทุน GPU และการอนุญาตให้ใช้งาน
โทเค็นไนเซอร์เฉพาะทางจะแปลงคุณลักษณะเชิงตัวเลข แบบจัดหมวดหมู่ และบูลีนให้อยู่ในรูปแบบตัวแทนร่วมกัน TabPFNv2 สลับการทำ attention ภายในแถวและคอลัมน์เพื่อเรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะ แต่ต้นทุนการคำนวณจะเพิ่มขึ้นอย่างรวดเร็วเมื่อจำนวนตัวอย่างและคุณลักษณะสูงขึ้น
งานวิจัย TabICLใช้แนวทางที่ต่างออกไป โดยสร้างเวกเตอร์ฝังแทนแถวที่มีมิติ固定 ผ่านการทำ attention ตามลำดับจากคอลัมน์ไปยังแถว ก่อนเรียนรู้ในบริบทระดับชุดข้อมูล ผู้เขียนรายงานว่าสามารถประมวลผลตัวอย่างได้สูงสุด 500,000 รายการและคุณลักษณะ 500 รายการ ให้ผลเทียบเท่า TabPFNv2 ในการประเมินเกณฑ์มาตรฐานด้านการจำแนกประเภท ทำงานได้เร็วขึ้นสูงสุด 10 เท่า และทำได้ดีกว่าทั้ง TabPFNv2 และ CatBoost ในชุดข้อมูล 53 ชุดที่มีตัวอย่างมากกว่า 10,000 รายการ เวอร์ชันที่นำมาประเมินรองรับเฉพาะการจำแนกประเภท ขณะที่โมเดลเดี่ยวซึ่งปรับแต่งด้วยชุดข้อมูลกันไว้ทดสอบในเกณฑ์มาตรฐานนั้นไม่ได้สะท้อนผลลัพธ์ที่อาจดีขึ้นจากการรวมโมเดลแบบตรวจสอบไขว้
แม้จะบีบอัดแถวข้อมูลแล้ว หน่วยความจำก็ยังเป็นข้อจำกัดในการใช้งานจริง เนื่องจากการเรียนรู้ในบริบทนำชุดฝึกมาใช้กับการคาดการณ์แต่ละครั้ง ความต้องการหน่วยความจำ GPU จึงเพิ่มขึ้นตามจำนวนแถวและคุณลักษณะ Databricks แนะนำให้ทดสอบความแม่นยำ เวลาแฝงในการอนุมาน การใช้หน่วยความจำ และต้นทุนกับข้อมูลขององค์กรเอง พร้อมระบุว่าการอนุมานด้วย GPU มีต้นทุนต่อการคาดการณ์สูงกว่าการใช้ XGBoost บน CPU สิ่งที่อาจประหยัดได้คือเวลาในการพัฒนาและบำรุงรักษาระบบ ส่วนค่าใช้จ่ายที่ยังคงมีอยู่คือการประมวลผลแบบเร่งความเร็ว
การอนุญาตให้ใช้งานเป็นอีกปัจจัยหนึ่งในการพิจารณานำไปใช้งาน คู่มือจัดให้ TabICLv2 ภายใต้ BSD 3-Clause, Mitra v2 ภายใต้ Apache-2.0 และ KumoTabular ภายใต้ OpenMDW-1.1 เป็นสิทธิ์การใช้งานที่เอื้อต่อการใช้งานเชิงพาณิชย์ น้ำหนักของ TabFM และ TabPFNv3.5 ระบุว่าไม่อนุญาตให้ใช้ในเชิงพาณิชย์ ส่วนการใช้งานเชิงพาณิชย์ต้องเป็นไปตามข้อตกลงกับผู้สร้าง คลังโค้ดยังแยกให้เห็นชัดเจนระหว่าง API แบบโฮสต์ของ TabPFN ที่ใช้เชิงพาณิชย์ได้ กับน้ำหนักโมเดลที่ใช้ได้เฉพาะนอกเชิงพาณิชย์
การประเมินร่วมและการนำไปใช้งานจริง
การติดตั้งใช้งานอ้างอิงทำให้สามารถเปรียบเทียบโมเดลบนพื้นฐานเดียวกันได้ การติดตั้งใช้งานที่รองรับทั้งหมดอ่านชุดข้อมูลสังเคราะห์ด้านค้าปลีกและสินค้าอุปโภคบริโภคชุดเดียวกัน ใช้การแบ่งชุดฝึกและชุดทดสอบแบบเดียวกัน และบันทึกเมตริกร่วมกับผลลัพธ์พื้นฐานจาก scikit-learn ไว้ในตารางผลลัพธ์เดียว ตัวอย่างครอบคลุมการจำแนกประเภท การถดถอย การตรวจจับค่าผิดปกติ และการพยากรณ์โดยอาศัยค่าหน่วงเวลา ในกรณีที่โมเดลแต่ละตัวรองรับ
ความต้องการด้านการประมวลผลแตกต่างกัน TabFM, TabICL, Nori และ KumoTabular ที่โฮสต์เองสามารถทำงานบน CPU แบบ serverless ได้ แต่คลังโค้ดแนะนำให้ใช้ GPU เพื่อให้ได้ประสิทธิภาพที่เหมาะสม ตัวอย่าง TabPFN เรียกใช้ API แบบโฮสต์ ซึ่งเพียงพอที่จะใช้ CPU ส่วนตัวอย่าง TabICL เปิดให้ไปป์ไลน์บน CPU ส่งงานอนุมานต่อไปยังปลายทางให้บริการ GPU โดยเฉพาะได้
AI Runtime มีมาก่อนการเผยแพร่คู่มือ โดย Databricks เปิดให้ใช้งานเป็นตัวอย่างสาธารณะเมื่อวันที่ 19 มีนาคม 2026 ในฐานะสแตก serverless สำหรับการฝึกบน GPU แบบกระจาย Databricks ระบุว่า GPU H100 แบบเรียกใช้ตามต้องการรองรับ TabPFN-3 ได้สูงสุด 1 ล้านแถว คูณ 200 คุณลักษณะ โน้ตบุ๊ก, Lakeflow Jobs, การติดตามการทดลองด้วย MLflow และการตรวจสอบการใช้ GPU ทำงานควบคู่กับการรองรับ Docker โดยตรงและการเชื่อมต่อ SSH ระยะไกลผ่าน Databricks CLI
ตัวอย่างการปรับแต่ง KumoTabular แสดงการใช้ GPU และเมตริก MLflow ในโน้ตบุ๊ก พร้อมลงทะเบียนโมเดลที่ได้ไว้ใน Unity Catalog สำหรับการใช้งานจริง คู่มืออธิบายถึงไปป์ไลน์แบบแบตช์ที่รองรับปริมาณงานสูง หรือปลายทาง REST แบบเรียลไทม์ที่ปรับขนาดอัตโนมัติผ่าน Model Serving โดยใช้ Unity Catalog จัดการเวอร์ชันของโมเดลและการกำกับดูแล
ผลลัพธ์ที่ได้คือแนวทางที่ทำซ้ำได้สำหรับทดสอบว่า TFM ช่วยลดงานแมชชีนเลิร์นนิงที่ต้องทำแยกตามแต่ละงานได้หรือไม่ โดยไม่ต้องย้ายข้อมูลไปยังเครื่องมือ GPU แยกต่างหาก อย่างไรก็ตาม เหตุผลรองรับการลงทุนทางธุรกิจยังขึ้นอยู่กับผลการวัดที่คลังโค้ดไม่อาจให้ได้ครอบคลุมทุกกรณี ได้แก่ ความแม่นยำกับตารางข้อมูลขององค์กร เงื่อนไขการอนุญาตให้ใช้งานที่เหมาะสม และการลดภาระงานด้านวิศวกรรมจะชดเชยต้นทุนต่อเนื่องของการคาดการณ์ที่ใช้ GPU ได้หรือไม่












