Nvidia lanza Kumo Relational, el primer modelo de IA que predice sobre bases de datos sin entrenamiento previo
El modelo preentrenado analiza directamente tablas relacionadas de empresas y supera a los sistemas tradicionales de machine learning en 41 pruebas, eliminando semanas de trabajo manual.
Nvidia lanzó Kumo Relational, un modelo de IA preentrenado que predice resultados empresariales (como abandono de clientes o fraude) directamente sobre bases de datos relacionales, sin necesidad de entrenar modelos específicos ni aplanar manualmente las tablas. Supera a sistemas tradicionales como XGBoost en 41 pruebas sobre 15 bases de datos diferentes, eliminando semanas de trabajo de preparación de datos.
Nvidia ha presentado Kumo Relational, un modelo de inteligencia artificial preentrenado que hace predicciones directamente sobre bases de datos empresariales sin necesidad de entrenamiento específico para cada tarea. Según informó Nvidia en su blog técnico, el sistema puede predecir resultados como abandono de clientes, demanda de productos o fraude simplemente conectándose a la base de datos y recibiendo una consulta en lenguaje natural, procesando hasta 10.000 ejemplos históricos como contexto en una sola pasada.
La novedad principal es que Kumo Relational trabaja directamente con la estructura original de las bases de datos relacionales (las que usan tablas conectadas entre sí mediante claves foráneas, el estándar en empresas), en lugar de obligar a los equipos técnicos a aplanar toda la información en una única tabla gigante. Este paso de preparación manual, conocido como ingeniería de características, suele consumir semanas de trabajo y pierde información valiosa sobre las relaciones entre datos. El nuevo modelo de Nvidia lee directamente las conexiones entre tablas de usuarios, pedidos, productos y otras entidades, respetando además las marcas temporales para evitar usar información del futuro en las predicciones.
En las pruebas realizadas sobre 41 tareas predictivas en 15 bases de datos diferentes, incluidos los benchmarks RelBench (conjuntos de pruebas estandarizados para medir el rendimiento de modelos sobre datos relacionales) y SAP SALT (un conjunto de datos empresariales reales), Kumo Relational superó tanto a los modelos tradicionales de machine learning supervisado como a XGBoost (un algoritmo muy popular basado en árboles de decisión potenciados que todavía domina muchos sistemas en producción). En las tareas de clasificación de RelBench V1, el modelo obtuvo casi 4 puntos más de AUROC (una métrica que mide la capacidad de distinguir entre clases) que los árboles potenciados con características diseñadas por expertos. En SAP SALT superó a AutoGluon (un sistema que combina automáticamente varios modelos) en un 8% medido en MRR (una métrica que evalúa qué tan arriba aparecen los resultados correctos en una lista de predicciones).
El modelo fue preentrenado completamente con datos sintéticos generados para imitar la estructura y complejidad de bases de datos empresariales reales. Este enfoque, basado en el trabajo académico PluRel desarrollado en parte por miembros del equipo de Kumo, permite generar datos de entrenamiento ilimitados sin depender de bases de datos privadas que las empresas rara vez comparten públicamente. La arquitectura del modelo procesa primero cada tabla por separado mediante atención sobre columnas y filas (mecanismos que identifican qué valores son relevantes), y luego relaciona la información entre tablas mediante atención sobre grafos que sigue las conexiones de claves primarias y foráneas.
Nvidia ofrece Kumo Relational tanto a través de su biblioteca de código abierto structured-data-models, optimizada para GPU, como mediante NVIDIA NIM (un servicio gestionado para desplegar modelos de IA). El sistema incluye un lenguaje de consultas predictivas llamado PQL que permite describir qué se quiere predecir en lugar de cómo hacerlo, pensado para que pueda ser usado tanto por humanos como por agentes de IA autónomos. Aunque funciona sin entrenamiento adicional, el modelo también puede afinarse sobre conjuntos de datos específicos cuando se necesita máxima precisión. Según Nvidia, el sistema escala a bases de datos con más de 500.000 millones de filas.
