Yapay zeka modelleri ve platformları
Databricks, AI Runtime için Tablosal Temel Model Rehberini Yayımladı

Öne çıkan noktalarTablo tabanlı temel modeller, mühendislik ve bakım süresindeki tasarruflar karşılığında…
Daha fazla göster
- Tablo tabanlı temel modeller, mühendislik ve bakım süresindeki tasarruflar karşılığında daha yüksek GPU çıkarım maliyetlerini tercih eder.
- TabICL'in, sınıflandırma kıyaslama doğruluğunu eşleştirirken TabPFNv2'den 10 kata kadar daha hızlı çalıştığı bildiriliyor.
- Lisanslama, alanı ikiye bölüyor; TabFM ve TabPFNv3.5 ağırlıkları ticari olmayan kullanımla sınırlı.
Databricks, 16 Kasım 2026’da tablo biçimli temel modelleri Yapay Zekâ Çalışma Zamanı üzerinde çalıştırmaya yönelik teknik bir kılavuz yayımladı. Kılavuza, beş model sağlayıcısını karşılaştırmaya ve ince ayar iş akışlarını test etmeye yönelik herkese açık bir depo da eşlik etti.
Herkese açık çözüm hızlandırıcısı, TabPFN, TabFM, TabICL, Nori ve KumoTabular için not defterleri ve ortak bir test altyapısı sunuyor. Hedefinde süreklilik taşıyan kurumsal iş yükleri var: kredi riski, müşteri kaybı, talep tahmini ve kestirimci bakım gibi alanlarda kullanılan tablolardan tahminler üretmek. Geleneksel geliştirme yaklaşımında ise her görev için ayrı bir eğitim ve yeniden eğitim süreci oluşturmak gerekebiliyor.
Tablosal temel modeller (TFM’ler) ise milyonlarca farklı sentetik veri kümesi üzerinde önceden eğitilmiş olarak sunuluyor. Sıfır örnekli çıkarımda, etiketli satırlar tahmin gerektiren satırlar için bağlam oluşturuyor; dönüştürücü dikkat mekanizması yeni satırları bu örneklerle ilişkilendiriyor ve parametreleri güncellemeden tek bir ileri geçişte tahminleri üretiyor. Önceden eğitilmiş ağırlıkları özel bir veri kümesi üzerinde güncellemek isteyen ekipler için ince ayar seçeneği de mevcut.
Mimari, GPU Maliyetleri ve Lisanslama
Uzmanlaşmış belirteçleyiciler sayısal, kategorik ve Boole özelliklerini ortak bir gösterime dönüştürüyor. TabPFNv2, etkileşimleri öğrenmek için satırlar ve sütunlar içinde sırayla dikkat mekanizması uyguluyor; ancak örnek ve özellik sayısı arttıkça hesaplama maliyeti hızla yükseliyor.
TabICL araştırma makalesi farklı bir yaklaşım benimsiyor: veri kümesi düzeyinde bağlam içi öğrenmeden önce, önce sütunlar sonra satırlar üzerinde dikkat mekanizması uygulayarak sabit boyutlu satır gömmeleri oluşturuyor. Yazarları, 500.000’e kadar örneği ve 500 özelliği işleyebildiğini; sınıflandırma karşılaştırmalı değerlendirmelerinde TabPFNv2 ile eşleştiğini, 10 kata kadar daha hızlı çalıştığını ve 10.000’den fazla örnek içeren 53 veri kümesinde hem TabPFNv2’yi hem de CatBoost’u geride bıraktığını bildiriyor. Değerlendirilen sürüm yalnızca sınıflandırmayla sınırlıydı; karşılaştırmadaki, doğrulama dışı veriye göre ayarlanmış tekil modeller ise çapraz doğrulamalı topluluklardan elde edilebilecek olası kazanımları hesaba katmıyordu.
Satır sıkıştırma uygulansa bile bellek, operasyonel bir kısıt olmaya devam ediyor. Bağlam içi öğrenmede eğitim kümesi her tahminle birlikte kullanıldığından GPU bellek gereksinimi satır ve özellik sayısıyla artıyor. Databricks, kuruluşların doğruluğu, çıkarım gecikmesini, bellek kullanımını ve maliyeti kendi verileri üzerinde test etmesini öneriyor ve GPU ile çıkarım başına maliyetin, XGBoost’u CPU’da çalıştırmaya kıyasla daha yüksek olduğunu belirtiyor. Olası tasarruf, mühendislik ve bakım süresinden geliyor; devam eden maliyet ise hızlandırılmış hesaplama.
Lisanslama da dağıtımı etkileyen bir başka unsur. Rehber, TabICLv2’yi BSD 3-Clause, Mitra v2’yi Apache-2.0 ve KumoTabular’ı OpenMDW-1.1 kapsamında ticari kullanıma izin veren lisanslarla sınıflandırıyor. TabFM ve TabPFNv3.5 ağırlıkları ticari olmayan kullanım için listeleniyor; ticari kullanım ise geliştiricileriyle yapılacak anlaşmalara bağlı. Depoda ayrıca TabPFN’in ticari barındırılan API’si ile ticari olmayan kullanım sunan ağırlıkları birbirinden ayrı ele alınıyor.
Ortak Değerlendirme ve Üretim Ortamına Dağıtım
Referans uygulama, modellerin ortak bir temelde karşılaştırılmasını sağlıyor. Desteklenen her uygulama aynı sentetik perakende ve paketli tüketim ürünleri veri kümelerini okuyor, aynı eğitim ve test bölümlerini kullanıyor ve ortak ölçümleri ve scikit-learn temel modellerini tek bir sonuç tablosuna kaydediyor. Örnekler; ilgili modelin desteklediği durumlarda sınıflandırma, regresyon, aykırı değer tespiti ve gecikme temelli tahmin görevlerini kapsıyor.
Hesaplama gereksinimleri farklılık gösteriyor. Kendi sunucularında barındırılan TabFM, TabICL, Nori ve KumoTabular sunucusuz CPU’larda çalışabiliyor; ancak depo, pratik performans için GPU kullanılmasını öneriyor. TabPFN örneğinde, CPU’ların yeterli olduğu barındırılan bir API çağrılırken TabICL örneği, CPU işlem hatlarının çıkarım görevini özel bir GPU sunum uç noktasına aktarmasına olanak tanıyor.
AI Runtime rehberden daha önce kullanıma sunulmuştu: Databricks, dağıtık GPU eğitimi için sunucusuz bir yığın olarak 19 Mart 2026’da herkese açık önizlemede kullanıma sundu. Databricks, isteğe bağlı H100 GPU’larının TabPFN-3’ü 1 milyon satıra ve 200 özelliğe kadar destekleyebildiğini söylüyor. Not defterleri, Lakeflow Jobs, MLflow deney takibi ve GPU kullanımını izleme özelliklerinin yanı sıra yerel Docker desteği ve Databricks CLI üzerinden uzak SSH bağlantısı da sunuluyor.
KumoTabular için hazırlanan bir ince ayar gösterimi, GPU kullanımını ve MLflow ölçümlerini not defterinde gösteriyor ve ortaya çıkan modeli Unity Catalog’a kaydediyor. Üretim ortamları için rehber, Model Serving aracılığıyla yüksek verimli toplu işlem hatlarını veya otomatik ölçeklenen gerçek zamanlı REST uç noktalarını tanımlıyor; Unity Catalog ise model sürümlerini ve yönetişimi yönetiyor.
Sonuç olarak bu yaklaşım, verileri ayrı GPU araçlarına taşımadan TFM’lerin görev başına ML iş yükünü azaltıp azaltamayacağını sınamak için tekrarlanabilir bir yol sunuyor. Ancak iş gerekçesi, deponun tüm kuruluşlar için sağlayamayacağı ölçümlere dayanıyor: kuruluşun kendi tablolarındaki doğruluk, kullanılabilir lisans koşulları ve azalan mühendislik yükünün GPU destekli tahminlerin süregelen maliyetini karşılayıp karşılamadığı.












