Kumo, KumoRFM-2’yi Tanıttı: Geleneksel Kuruluş Makine Öğrenimi’ni Değiştirmeye Yönelik Bir Temel Model

Kumo, KumoRFM-2 adlı bir sonraki nesil temel modeli tanıttı. Bu model, özellikle yapılandırılmış kuruluş verisi için tasarlandı ve organizasyonların veritabanlarından tahminler oluşturma şeklini temel olarak değiştiriyor. Geleneksel makine öğrenimi boru hatlarından farklı olarak, KumoRFM-2, ekiplere doğal dil kullanarak anında tahminler oluşturma olanağı tanır ve bu işlem için eğitim veya uzmanlık gerektirmez.

Temelde, model, girişimdeki veri yapılarına doğrudan çalışan yeni bir AI kategorisini temsil ediyor: ilişkisel bir temel model. Bu, geleneksel AI sistemlerinin çoğunun karşılaştığı bir sınırlamayı ele alıyor; çünkü bu sistemler genellikle verileri basitleştirilmiş tablolara düzleştirdiklerinde, değerli ilişkiler kayboluyor.

Statik Boru Hatlarından Gerçek Zamanlı Tahmin Sistemlerine

Kuruluş tahmini analitiği geleneksel olarak yavaş ve kaynak yoğunluklu olmuştur. Her yeni kullanım durumu – müşteri churn tahmini, sahtecilik algılama veya talep tahmini – genellikle ayrı bir boru hattı gerektirir; bu boru hattı, veri temizleme, özellik mühendisliği, model eğitimi ve ayarlamayı içerir.

KumoRFM-2, bu tüm iş akışını tek bir önceden eğitilmiş sistemle değiştiriyor.

Kullanıcılar, yerine modeller oluşturmak, neyi tahmin etmek istediklerini tanımlar. Model, talebi yorumlar, altta yatan veritabanından gerekli bağlamı oluşturur ve tek bir geçişte tahminler üretir. Bu, bağlamsal öğrenme ve Predictive Query Language (PQL) adlı bir bildirimsel arayüzün birleşimiyle mümkün oluyor; burada kullanıcılar, hesaplamak için gereken adımlar yerine, ilgilenilen sonucu ifade ediyor.

Sonuç, “modeller oluşturma”dan “sorular sorma”ya doğru bir kayma; bu,.predictif AI’ı kuruluşlar genelinde kullanma engelini önemli ölçüde düşürüyor.

Neden İlişkisel Veri Bu Kadar Zor Oldu

Çoğu mevcut AI sistemi, yapılandırılmış kuruluş verisi ile mücadele ediyor; çünkü bu sistemler, veriyi yanlış şekilde ele alıyor.

Geleneksel modeller, birçok tablo AI sistemi ve büyük dil modelleri de dahil olmak üzere, verileri tek bir tabloya düzleştirmeye güveniyor. Ancak gerçek dünya kuruluş verileri, müşterilerin işlemlere, işlemlerin ürünlere, ürünlerin envantere ve tümünün zaman içinde evrimleştiği şekilde birbirine bağlı sistemler olarak var oluyor.

Veri yapısını düzleştirmek, genellikle en değerli tahmin sinyallerini içeren ilişkileri ortadan kaldırıyor. Ayrıca, ekiplere, bu sinyalleri tekrar oluşturmak için zaman alan ve hata eğilimli bir süreç olan özellik mühendisliği yapmak zorunda kalıyor.

KumoRFM-2, ilişkisel veritabanlarına doğrudan çalışarak bu sorunu tamamen ortadan kaldırıyor; böylece tablolar, zaman damgaları ve varlıklar arasındaki bağlantılar korunuyor.

Mimari İçinde: KumoRFM-2 Nasıl Çalışır

KumoRFM-2’nin arkasındaki ana yenilik, verileri aynı anda birden fazla düzeyde işleyen İlişkisel Grafik Dönüştürücü mimarisidir.

İlk düzeyde, model, satır ve sütun dikkat birleşimi kullanarak ayrı ayrı tabloları analiz ediyor. Bu, modelin, bir tablo içindeki özelliklerin nasıl ilişkili olduğunu anlamasına ve aynı zamanda sürecin başlangıcında tahmin hedefini tanımlayarak, erken aşamada alakasız veya gürültülü verileri filtrelemesine olanak tanır.

İkinci düzeyde, model, tablolar arasında grafik tabanlı akıl yürütme gerçekleştirir. Dış anahtar ilişkilerini kullanarak, farklı veritabanı kısımlarından verileri bağlar – örneğin, bir müşteri profilini satın alma geçmişine veya davranışsal kalıplara bağlar – ve diğer türlü kaybolacak olan çapraz tablo sinyallerini tanımlar.

Üçüncü düzeyde, model, birden fazla örneği aynı anda öğrenmeye olanak tanıyan çapraz örnek dikkat mekanizmasını içerir. Bu, modelin, tam eğitim veri kümelerine gerek kalmadan, nispeten az sayıda bağlam örneğinden genellemesine olanak tanır.

Bu aşamalı tasarım kritiktir; çünkü aynı anda tüm veri noktalarını işlemenin getireceği hesaplama patlamasını önlerken, daha derin akıl yürütme gerçekleşmeden önce gürültüyü filtreleyerek doğruluğu da artırır.

Eğitim Yerini Bağlamsal Öğrenme Alır

KumoRFM-2’nin tanımlayıcı bir özelliği, geleneksel eğitim yerine bağlamsal öğrenmeye güvenmesidir.

Kullanıcı bir tahmin talebi gönderdiğinde, sistem otomatik olarak bir dizi bağlam örneği oluşturur – veritabanının küçük alt grafikleri, bilinen sonuçlarla eşleştirilir. Bu örnekler, modelin desenleri çıkarıp tahminler üretmeden önce rehberlik etmesi için kullanılır.

Bu, aşağıdaki avantajları sağlar:

• Her görev için özel eğitim gerekmez
• Özellik mühendisliği gerekmez
• Model ayarı gerekmez

Gözetimli öğrenmede genellikle gerekli olan verinin yalnızca %0.2’si ile bile, model devlet-sanat performansını gerçekleştirebilir.

Gerçek Dünya Benchmarks Across

KumoRFM-2, e-ticaret, sağlık, sosyal platformlar ve kuruluş sistemleri gibi endüstrileri kapsayan 41 tahmin görevinde değerlendirildi.

Model, geleneksel denetimli makine öğrenimi yaklaşımlarını, mühendislik yapılan ansamblleri ve ilişkisel derin öğrenme sistemlerini tutarlı bir şekilde geride bırakıyor. Kuruluş benchmark’lerinde, yaygın olarak kullanılan çözümleri önemli marjlarla geçerken, ayrıca ince ayar yapıldığında daha da iyileştiriyor.

Ham doğruluğun ötesinde, model güçlü bir dayanıklılık gösteriyor:

• İlişkisel bağlantılar büyük ölçüde eksik olsa bile performansı korur
• Gürültülü veya eksik verilerde minimum bozulma ile çalışır
• Sınırlı historical veri bulunan soğuk başlangıç senaryolarında iyi performans gösterir

Bu dayanıklılık, özellikle veri kalitesi thường tutarsız olan kuruluş ortamlarında önemlidir.

Ölçek için Yapılmış: 500 Milyar Satıra Kadar

KumoRFM-2, modern veri altyapısının ölçeğinde çalışmak üzere tasarlandı.

Sistem, veritabanı yerel yürütme ile özel bir grafik motorunun birleşimi sayesinde 500 milyarı aşkın satırları işleyebilir. ML sistemine veri taşıma yerine, hesaplama doğrudan verilerin bulunduğu yere – SQL veritabanlarına veya bulut veri ambarlarına – gönderilir.

Bu yaklaşım, gecikmeyi azaltır, dağıtımı basitleştirir ve organizasyonların öngörülü yeteneklerini mevcut iş akışlarına doğrudan entegre etmesini sağlar.

Doğal Dil Arayüzü

Modelin diğer bir tanımlayıcı özelliği, doğal dil arayüzüdür.

Kullanıcılar, aşağıdaki gibi sorular sorabilir:

• 30 gün içinde hangı müşterilerin ayrılma olasılığı yüksek?
• Hangi lead’ler dönüştürme olasılığı en yüksek?
• Hangi ürünlerin talebi artacak?

Sistem, bu sorguları yapılandırılmış öngörülü mantığa çevirir, altta yatan verilere uygular ve hem tahminleri hem de açıklamaları döndürür.

Bu, yalnızca öngörülü analitiği daha erişilebilir hale getirmekle kalmaz, aynı zamanda AI ajanları ile entegrasyonu da sağlar; burada tahminler, otomatik karar alma iş akışlarına gömülebilir.

Ajan Temelli Kuruluş Zekasına Doğru

KumoRFM-2, ajanları göz önünde bulundurularak tasarlandı.

Öngörülü yetenekleri, AI ajanlarının daha büyük iş akışlarının bir parçası olarak çağırdığı modüler “beceriler” olarak sunulabilir. Bu, öngörülü modellemeyi, birleştirilebilen bir yapı taşı haline getirir – geri alma, akıl yürütme ve yürütme ile birlikte otomatik sistemlerde birleştirilebilen bir bileşen.

Bu bağlamda, model, yalnızca analistler için bir araç değil, bir sonraki nesil kuruluş otomasyonunun temel bir katmanı olarak görülüyor.

Veri Biliminde Rolün Yeniden Tanımlanması

KumoRFM-2, organizasyonların veri bilimine yaklaşımlarında daha geniş bir değişimi işaret ediyor.

Artık, her görev için özel modeller oluşturmak ve bakımını yapmak yerine, ekipler tek bir genel amaçlı sistem üzerinde güvenilebilir; bu sistem, yeni sorunlara anında uyum sağlar. Bu, özellik mühendisliği ve model ayarlaması için uzmanlık ihtiyacını azaltırken, daha hızlı deneysel çalışma ve yinelemeyi de mümkün kılar.

Çoğu organizasyon için bu, merkezi bir veri bilimi işlevinden, birden fazla departmanda öngörülü içgörüler sunan daha dağınık bir modele geçiş anlamına gelebilir.

Yeni Bir Temel Model Kategorisi

Temel modeller, dil ve görme gibi alanları zaten dönüştürürken, yapılandırılmış kuruluş verisi, son sınırlardan biri olarak kaldı.

KumoRFM-2, yapılandırılmış veri için özel temel modellerin neler başarmaya capable olduğunu gösteren erken bir örneği temsil ediyor. İlişkisel akıl yürütme, bağlamsal öğrenme ve doğal dil etkileşimi birleştirmesi, öngörülü AI için yeni bir paradigmaya yol açıyor.

Genel olarak benimsenirse, bu yaklaşım, işletmelerin veriyle etkileşim şeklini yeniden tanımlayabilir – öngörülü analitiği, karmaşık ve gecikmeli bir süreçten, gerçek zamanlı ve kuruluşlar genelinde bir yeteneğe dönüştürebilir.