Kumo Запускає KumoRFM-2, Фундаментальну Модель, Створену Для Заміни Традиційного Підходу До Машинного Навчання В Підприємствах

Kumo представила KumoRFM-2, наступне покоління фундаментальної моделі, спеціально розробленої для структурованих даних підприємств — що означає фундаментальну зміну того, як організації генерують прогнози з своїх складів даних. На відміну від традиційних трубопроводів машинного навчання, які вимагають місяців інженерії функцій і розробки моделей, KumoRFM-2 дозволяє командам генерувати прогнози миттєво за допомогою природної мови, без навчання чи спеціалізованої експертизи.

У своєму ядрі модель представляє нову категорію ІІ: реляційну фундаментальну модель, яка працює безпосередньо з структурами даних підприємств, а не спрощує їх у таблицях. Ця відмінність усуває одну з найбільш постійних обмежень у корпоративному ІІ, де цінні відносини між наборами даних часто втрачаються ще до початку моделювання.

Від Статичних Трубопроводів До Систем Прогнозування В Реальному Часі

Аналітика підприємства історично була повільною та ресурсоємною. Кожний новий випадок — чи то прогнозування виходу клієнта, виявлення шахрайства чи прогнозування попиту — зазвичай вимагає окремого трубопроводу, що включає очистку даних, інженерію функцій, навчання моделі та налаштування.

KumoRFM-2 заміняє весь цей робочий процес на одну попередньо натреновану систему.

Замість будівництва моделей користувачі визначають, що вони хочуть передбачити. Модель інтерпретує запит, будує необхідний контекст з підлягаючої бази даних та генерує прогнози в одному проході. Це стало можливим завдяки комбінації навчання в контексті та декларативного інтерфейсу під назвою Мова запитів прогнозування (PQL), де користувачі виражають результат, який їм важливий, а не кроки, необхідні для його обчислення.

Результатом є зміна від “будівництва моделей” до “запитання питань” — зміна, яка суттєво знижує бар’єр використання прогнозної ІІ по всьому підприємству.

Чому Реляційні Дані Були Такі Жорстокими

Більшість існуючих систем ІІ борються зі структурованими даними підприємства з простої причини: вони обробляють їх неправильно.

Традиційні моделі, включаючи багато табличних систем ІІ та навіть великі мовні моделі, спираються на спрощення даних у одну таблицю. Але реальні дані підприємства існують як взаємопов’язані системи — клієнти, пов’язані з транзакціями, транзакції, пов’язані з продуктами, продукти, пов’язані з запасами, все це розвивається з часом.

Спрощення цієї структури усуває відносини, які часто містять найцінніші прогнозні сигнали. Це також змушує команди ручним чином реконструювати ці сигнали через інженерію функцій, процес, який є як тривалим, так і схильним до помилок.

KumoRFM-2 усуває це зовсім, працюючи безпосередньо з реляційними базами даних, зберігаючи зв’язки між таблицями, таймстампами та сутностями.

Архітектура: Як Працює KumoRFM-2

Ключова інновація за KumoRFM-2 полягає в його ієрархічній архітектурі реляційного графового трансформера, який обробляє дані на декількох рівнях одночасно.

На першому рівні модель аналізує окремі таблиці за допомогою комбінації уваги рядків та стовпців. Це дозволяє їй зрозуміти, як функції пов’язані всередині таблиці, фільтруючи зайві чи шумові дані на ранній стадії. Важливо, що ціль прогнозування вводиться на цій стадії, тобто модель умовлена завданням з самого початку.

На другому рівні модель виконує графічний розсудливість між таблицями. Використовуючи зовнішні ключові відносини, вона з’єднує дані з різних частин бази даних — наприклад, пов’язуючи профіль клієнта з історією покупок або поведінковими моделями — та визначає міжтабличні сигнали, які інакше були б втрачені.

На третьому рівні модель включає увагу між зразками, дозволяючи їй вивчати з кількох прикладів одночасно. Це дозволяє їй узагальнювати з відносно невеликої кількості контекстних прикладів, а не вимагати повних навчальних наборів даних.

Цей етапований дизайн критичний. Він уникнув би обчислювального вибуху, який виник би при обробці кожного пункту даних одночасно, а також покращував би точність, фільтруючи шум до глибшого розсудливості.

Навчання В Контексті Заміняє Навчання

Визначальною рисою KumoRFM-2 є його залежність від навчання в контексті замість традиційного навчання.

Замість навчання моделі для кожної задачі KumoRFM-2 попередньо навчений один раз на великому змішаному синтетичних та реальних реляційних даних. Коли користувач подає запит на прогнозування, система автоматично генерує набір контекстних прикладів — малих підграфів бази даних, поєднаних з відомими результатами.

Ці приклади діють як керівництво для моделі, дозволяючи їй виводити закономірності та генерувати прогнози без оновлення її ваг. На практиці це означає:

• Немає завдання-специфічного навчання
• Немає інженерії функцій
• Немає налаштування моделі

Дажи з такою малиною, як 0,2% даних, зазвичай необхідних для нагляду за навчанням, модель може досягти найкращої результатів.

Продуктивність По Реальних Бенчмарках

KumoRFM-2 було оцінено по 41 прогнозній задачі, що охоплюють галузі, такі як електронна комерція, охорона здоров’я, соціальні платформи та корпоративні системи.

Модель послідовно перевершує традиційні підходи до нагляду за машинним навчанням, включаючи інженерні ансамблі та реляційні глибинні системи навчання. На корпоративних бенчмарках вона перевершує широко використовувані рішення на значні відстані, а також покращується при тонкому налаштуванні.

Поза сутою точністю модель демонструє сильну стійкість:

• Зберігає продуктивність навіть у разі відсутності великих частин реляційних зв’язків
• Обробляє шумові чи неповні дані з мінімальною деградацією
• Виконує добре в сценаріях “холодного запуску”, де історичні дані обмежені

Ця стійкість особливо важлива в корпоративних середовищах, де якість даних часто нестійка.

Будується Для Масштабу: До 500 Мільярдів Рядків

KumoRFM-2 розроблений для роботи на рівні сучасної інфраструктури даних.

Система може обробляти набори даних, що перевищують 500 мільярдів рядків, поєднуючи виконання, рідне для бази даних, з графічним двигуном, здатним забезпечувати високопродуктивний доступ до даних. Замість переміщення даних у окрему систему МО, обчислення відштовхується безпосередньо до місця розташування даних — незалежно від того, чи знаходяться вони в SQL-базах даних чи в хмарних складах даних.

Цей підхід знижує затримку, спрощує розгортання та дозволяє організаціям інтегрувати прогнозні можливості безпосередньо в існуючі робочі процеси.

Природна Мова Як Інтерфейс

Іншою визначальною рисою є інтерфейс моделі природної мови.

Користувачі можуть задавати питання, такі як:

• Які клієнти найімовірніше вийдуть у найближчі 30 днів?
• Які ліди найімовірніше перетворяться?
• Які продукти побачать збільшення попиту?

Система перекладає ці запити на структуровані прогнозні логіки, виконує їх на підлягаючих даних та повертає як прогнози, так і пояснення.

Це не тільки робить прогнозну аналітику більш доступною, але й дозволяє інтегрувати її з агентами ІІ, де прогнози можуть бути вбудовані в автоматизовані робочі процеси прийняття рішень.

До Інтелекту Підприємства, Керованого Агентами

KumoRFM-2 розроблений з урахуванням агентів.

Його прогнозні можливості можуть бути представлені як модульні “навички”, які агенти ІІ можуть викликати як частини більших робочих процесів. Це перетворює прогнозне моделювання на складову будівельну блок — щось, що можна поєднати з пошуком, розсудливістю та виконанням в автономних системах.

У цьому контексті модель не тільки інструмент для аналітиків, але й фундаментальний шар для наступного покоління корпоративної автоматизації.

Перевизначення Ролі Науки Про Дані

KumoRFM-2 сигналізує про ширшу зміну того, як організації підходять до науки про дані.

Замість будівництва та підтримки десятків моделей, спеціально розроблених для завдань, команди можуть покладатися на одну загальну систему, яка адаптується до нових проблем миттєво. Це знижує потребу у спеціалізованій експертизі в інженерії функцій та налаштуванні моделей, а також дозволяє швидшу експериментацію та ітерацію.

Для багатьох організацій це може означати перехід від централізованої функції науки про дані до більш розподіленої моделі, де прогнозні знання доступні по всім департаментам.

Нова Категорія Фундаментальних Моделей

Хоча фундаментальні моделі вже перетворили галузі, такі як мова та зір, структуровані дані підприємства залишаються однією з останніх меж.

KumoRFM-2 представляє ранній приклад того, чого можуть досягти спеціалізовані фундаментальні моделі для структурованих даних. Об’єднавши реляційне розсудливість, навчання в контексті та взаємодію природної мови, вона вводить новий парадигму для прогнозної ІІ.

Якщо цей підхід буде широко прийнятий, він міг би переозначити, як підприємства взаємодіють зі своїми даними — перетворюючи прогнозну аналітику з складного, затриманого процесу на організації-широку можливість в реальному часі.