NVIDIA Kumo Tabular: Кестелік болжауда дәлдік пен тиімділіктің жаңа шегі

Кіріспе

Кестелік мәліметтер кәсіпорындар мен әртүрлі салалардағы деректер анализінің негізін құрайды. Клиенттік деректер, транзакциялар, сенсор жазбалары және тапсырыстар сияқты мәліметтер кестелер түрінде ұсынылады. Осы мәліметтерден болжау жасау, мысалы, тұтынушыны жоғалту, шығындар немесе сұраныс деңгейін анықтау – машиналық оқытудың маңызды міндеттері. Осы тұрғыдан NVIDIA компаниясының Kumo Tabular атты жаңа моделі маңызды жаңалық ретінде қаралады, себебі ол кестелік деректермен жұмыс істеуде дәстүрлі тәсілдерді түбегейлі өзгертіп, дәлдік пен тиімділікті жаңа деңгейге жеткізеді.

Негізгі түсінік

Kumo Tabular – кестелік мәліметтерге арналған трансформер моделі. Ол берілген белгілері бар кестедегі жаңа жолдардың белгілерін болжау үшін бір рет өткізумен нәтиже көрсетеді, яғни ешқандай арнайы оқыту, параметрлерді реттеу немесе белгілерді инженерлеу талап етілмейді. Модель классификация мен регрессия тапсырмаларына қолданылады. Бұған дейін мұндай тапсырмаларды орындауда градиентті күшейтетін ағаштар сияқты дәстүрлі әдістер жиі пайдаланылды. Бірақ оларды әр жаңа мәселеге бейімдеу көп уақыт пен еңбек қажет етті.

Kumo Tabular кестедегі ақпаратты үш негізгі принцип бойынша өңдейді: біріншіден, әр ұяшық мәнінің баған ішіндегі орны мен сипатын түсінеді; екіншіден, бір жолдағы бағандар арасындағы өзара байланысын талдайды; үшіншіден, контексте берілген басқа жолдар мен олардың белгілері арқылы белгісіз жолдардың нәтижесін анықтайды.

Модельдің құрылымы

Ұяшықтар бір-біріне ұқсас мәндер бойынша Fourier функциялары арқылы векторлық бейнелерге айналады, ал жетіспейтін деректер ерекше өңделеді. Әр жол екі түрлі өзін-өзі назарға алу механизмдерін ауыстыра отырып қолданады: бағандық назар жүзінде бір бағандағы мәндердің таралуы мен ерекшеліктері зерттеледі, жолдық назарда бағандар арасындағы қатынастар анықталады. Соңғы қадамда контекст және сұраныс жолдары арналған жалпылап талдау жасалады, ол арқылы болжаулар шығарылады.

Контекст пен мысалдар

Таблицалық негізделген ірі модельдердің пайда болуы – машиналық оқытудың жаңаша жолы. Kumo Tabular моделі меңгерген үлгілер жасанды синтезделген мәліметтерден қалыптастырылады. Әрбір кесте арнайы құрылымды себеп-салдарлық модельдерге негізделіп құрылады, оның ішінде функциялар мен параметрлер кездейсоқ таңдалып, табиғи деректегі ақаулар мен кемшіліктер (жоқ мәндер, ұқсас жазбалардың қарама-қайшылықтары және т.б.) еніп отырады. Осындай көпжылдық мәліметтердің мыңдаған түрлерін көргендіктен, модель шынайы әлемнің әртүрлі салмақты бұзылыстарын дұрыс өңдей алады.

Модельдің оқу процесі бірнеше кезеңнен тұрады. Мұнда 1 024 жол мен 100 бағаннан тұратын бүтін кестелер пайдаланылады. Кейін контексттің көлемі ұлғайтылып, соңында 60 000 жолға дейінгі үлкен кестелерді де өңдей алады. Модельдің үш түрі бар: кіші, орташа және үлкен, олар сәйкесінше 35, 71 және 137 миллион жасанды кестені зерттеген.

Практикалық маңызы

Kumo Tabular дәстүрлі градиентті күшейтетін ағаштар мен басқа қазіргі заманғы кестелік модельдермен салыстырғанда нақты тапсырмаларда жоғары тиімділік пен дәлдік көрсетеді. Барлық үш модель түрі TabArena сияқты бірнеше беделді сынақ алаңдарында бірінші орындарды иеленді. Сонымен бірге, олар LimiX-2 моделінен 17 есе жылдам жұмыс істеу мүмкіндігіне ие. Бұл кәсіпорындарға есептеу ресурстарын үнемдеуге және жылдам шешім қабылдауға мүмкіндік береді.

Модельдің коммерциялық пайдалануы ашық лицензиямен ұсынылғандықтан, оны бизнес пен зерттеу саласында кеңінен қолдану жолы ашық. Ол жарамды гиперпараметрлер мен функцияларды іздеусіз, оқытусыз тікелей қолданыла алады. Бұл жаңа тәсіл кестелік аналитиканы жаңа деңгейге көтеруді қамтамасыз етеді.

Қорытынды

NVIDIA Kumo Tabular моделі кестелік деректермен жұмыс істеуде дәстүрлі әдістерден айтарлықтай ерекшеленеді. Ол алдын ала оқытылған жасанды мәліметтер базасына сүйеніп, жаңа кестелерден дәл әрі тиімді болжаулар береді. Бұл машиналық оқыту саласындағы ірі қадамдардың бірі болып, өндіріс пен зерттеудегі кестелік деректер аналитикасын өзгертеді. Модельдің ашық және коммерциялық қолжетімді болуы оның кеңінен таралуына және кәсіби деңгейде қолданылуына жағдай жасайды.

Дереккөз: Hugging Face Blog