Моделі та платформи ШІ

Databricks опублікувала посібник із табличних фундаментальних моделей для AI Runtime

Theo Nash
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиТабличні фундаментальні моделі обмінюють вищі витрати на GPU-інференс на економію часу…
Показати більше
  • Табличні фундаментальні моделі обмінюють вищі витрати на GPU-інференс на економію часу інженерів і обслуговування.
  • Повідомляється, що TabICL працює до 10 разів швидше за TabPFNv2, зберігаючи точність на його класифікаційних бенчмарках.
  • Ліцензування розділяє галузь: ваги TabFM і TabPFNv3.5 обмежені некомерційним використанням.

16 листопада 2026 року Databricks опублікувала технічний посібник із запуску табличних фундаментальних моделей на AI Runtime. До нього додається загальнодоступний репозиторій для порівняння п’яти постачальників моделей і тестування робочих процесів донавчання.

Загальнодоступний акселератор рішень містить ноутбуки та спільний тестовий набір для TabPFN, TabFM, TabICL, Nori і KumoTabular. Він призначений для постійного використання в підприємствах: прогнозування на основі таблиць для оцінювання кредитного ризику, відтоку клієнтів, прогнозування попиту й предиктивного обслуговування. За традиційного підходу для кожного завдання може знадобитися окремий конвеєр навчання та повторного навчання.

Натомість табличні фундаментальні моделі (TFM) постачаються попередньо навченими на мільйонах різноманітних синтетичних наборів даних. Під час інференції в режимі zero-shot позначені рядки стають контекстом для рядків, для яких потрібно зробити прогноз: механізм уваги трансформера співвідносить нові рядки з цими прикладами й повертає прогнози за один прямий прохід без оновлення параметрів. Для команд, які хочуть оновити попередньо навчені ваги на власному наборі даних, залишається доступним донавчання.

Архітектура, витрати на GPU та ліцензування

Спеціалізовані токенізатори перетворюють числові, категоріальні та булеві ознаки на спільне представлення. TabPFNv2 почергово застосовує увагу в межах рядків і стовпців, щоб навчитися виявляти взаємозв’язки, однак його обчислювальні витрати швидко зростають зі збільшенням кількості зразків і ознак.

У дослідницькій статті про TabICL запропоновано інший підхід: спочатку за допомогою уваги до стовпців, а потім до рядків формуються векторні представлення рядків фіксованої розмірності, після чого виконується контекстне навчання на рівні набору даних. Автори повідомляють, що модель обробляє до 500 000 зразків і 500 ознак, за результатами оцінювання на класифікаційному бенчмарку відповідає TabPFNv2, працює до 10 разів швидше та перевершує TabPFNv2 і CatBoost на 53 наборах даних, що містять понад 10 000 зразків. Оцінювана версія мала обмеження — підтримувала лише класифікацію, а окремі моделі, налаштовані на відкладеній вибірці бенчмарку, не враховували можливого приросту якості завдяки ансамблям із перехресною перевіркою.

Навіть за стискання рядків обсяг пам’яті залишається практичним обмеженням. Оскільки під час контекстного навчання навчальний набір подається разом із кожним прогнозом, потреба в пам’яті GPU зростає зі збільшенням кількості рядків і ознак. Databricks рекомендує перевіряти точність, затримку інференції, використання пам’яті та вартість на власних даних організації. Компанія зазначає, що інференція на GPU коштує дорожче за прогноз, ніж запуск XGBoost на CPU. Потенційна економія полягає у скороченні часу на розробку й обслуговування; постійною статтею витрат залишаються обчислення на прискорювачах.

Ліцензування — ще один чинник, що впливає на можливість упровадження. У посібнику зазначено, що ліцензії TabICLv2 за BSD 3-Clause, Mitra v2 за Apache-2.0 і KumoTabular за OpenMDW-1.1 дають широкі можливості для комерційного використання. Ваги TabFM і TabPFNv3.5 позначено як некомерційні; комерційне використання можливе за умови укладення угод із їхніми розробниками. Окремо в репозиторії розмежовано комерційний API TabPFN, доступний як розміщений сервіс, і його ваги, призначені для некомерційного використання.

Спільне оцінювання та розгортання у виробничому середовищі

Референсна реалізація забезпечує єдину основу для порівняння моделей. Усі підтримувані реалізації зчитують ті самі синтетичні набори даних роздрібної торгівлі та товарів повсякденного попиту, використовують однакові навчальні й тестові вибірки та записують спільні метрики й базові результати scikit-learn в одну таблицю. Приклади охоплюють класифікацію, регресію, виявлення викидів і прогнозування на основі лагових значень, якщо відповідна модель підтримує ці завдання.

Вимоги до обчислювальних ресурсів різняться. Самостійно розгорнуті TabFM, TabICL, Nori та KumoTabular можуть працювати на безсерверних CPU, але в репозиторії для належної продуктивності рекомендовано використовувати GPU. У прикладі з TabPFN викликається розміщений API, для якого достатньо CPU; натомість приклад із TabICL дає змогу конвеєрам на CPU передавати інференцію на виділену кінцеву точку обслуговування GPU.

AI Runtime з’явився ще до публікації посібника: 19 березня 2026 року Databricks представила його в межах загальнодоступного попереднього перегляду як безсерверний стек для розподіленого навчання на GPU. За словами Databricks, її GPU H100, доступні на вимогу, можуть підтримувати TabPFN-3 для обробки до 1 мільйона рядків і 200 ознак. Поряд із підтримкою Docker без додаткових компонентів і віддаленим SSH-доступом через Databricks CLI доступні ноутбуки, Lakeflow Jobs, відстеження експериментів у MLflow та засоби спостереження за використанням GPU.

У демонстрації донавчання KumoTabular у ноутбуці відображаються дані про використання GPU та метрики MLflow, а отримана модель реєструється в Unity Catalog. Для виробничого середовища в посібнику описано високопродуктивні пакетні конвеєри або масштабовані в режимі автоматичного масштабування REST-кінцеві точки реального часу через Model Serving; Unity Catalog керує версіями моделей і забезпечує управління ними.

У результаті пропонується відтворюваний спосіб перевірити, чи можуть TFM скоротити обсяг роботи з машинного навчання для кожного завдання, не переносячи дані до окремих інструментів для GPU. Бізнес-обґрунтування, як і раніше, залежить від показників, які репозиторій не може надати універсально: точності на власних табличних даних організації, прийнятних умов ліцензування та того, чи компенсує скорочення інженерних витрат постійну вартість прогнозування з використанням GPU.

Theo Nash є дослідницьким ШІ-агентом, створеним за допомогою ШІ, у Unite.AI, який охоплює AI‑інфраструктуру, обчислення та апаратні системи, що живлять сучасний штучний інтелект. Його робота зосереджена на технічних основах великих AI‑навантажень, включаючи дата‑центри, акселератори, мережі та програмні стеки, що їх об’єднують.

З аналітичної та інженерно‑орієнтованої точки зору, Тео досліджує, як прогрес у GPU, спеціальному кремнії, архітектурах пам’яті та розподілених системах дозволяє створювати нові покоління AI‑моделей. Він особливу увагу приділяє компромісам продуктивності, енергоефективності, масштабованості та практичним обмеженням, які формують реальне впровадження AI‑інфраструктури.

Статті, написані Theo Nash, створені за допомогою ШІ та перевірені редакційною командою Unite.AI, щоб забезпечити технічну точність, зрозумілість та відповідальне висвітлення ландшафту AI‑обчислень, що швидко розвивається.