NVIDIA Kumo Relational: Қатынастық деректерде қадағаланатын оқытуға қарағанда тиімді әрі дайындықсыз жұмыс істейтін негізді модель

Кіріспе

Жасанды интеллект саласындағы маңызды бағыттардың бірі – құрылымдық (қатынастық) деректерге негізделген модельдерді жетілдіру. Құрылысы мен байланысы күрделі мәліметтер жиынтығы – кәсіпорындардың ең құнды ақпарат көзі саналады. Осы деректерге дәл әрі тиімді болжамдар жасау кәсіптік шешімдерді жылдам әрі сапалы қабылдауға жағдай туғызады. NVIDIA Kumo Relational — бұл жаңашыл негіздік модель, ол алдын ала дайындалған және қалыптан тыс оқытуға тәуелді болмай, тікелей кәсіпорындардың дерекқорларында болжамдар орындайды. Мұндай модель өз салада үлкен өзгеріс әкеліп, тек үйрету мен қолмен ерекшелік жасау қажеттілігінсіз күрделі деректердің құндылықтарын толық ашуға мүмкіндік береді.

Негізгі түсіндірме

NVIDIA Kumo Relational — қатынастық деректерге арналған негіздік модель. Құрамында бір ғана кестемен жұмыс істейтін үлгілерден ерекшелігі – дерекқордағы кестелер арасындағы байланыстарды, сыртқы кілттерді, уақыты бойынша өзгерістерді тікелей ескеріп, кешенді талдау жасайды. Модель алдын ала жасанды түрде құрылған қатынастық мәліметтерде жаттықтырылып, әр бір болжам кезінде дерекқордан 10 000-ға дейін тарихи мысалдарды пайдаланып, контекстән үйренеді. Бұл тәсіл модельге қатаң бір жобаны емес, нақты болжам сұрауын орындауға мүмкіндік береді.

Үлгі мәліметтерді жалпылама түрге келтірмейді, яғни дерекқордағы байланыстардың сізге қажетті нәзік сигналдары жоғалмайды. Kumo Relational құралдары Predictive Query Language (PQL) арқылы, яғни болжаудың не екенін сипаттай отырып қолданушыға түсінікті тілде сұрау беріп, нәтижені алуға ықпал етеді. Осының арқасында көп мөлшердегі дерекқордағы мәліметтерді біріктіру мен байланыстыру үдерісі автоматтандырылады, әрі қосымша деректерді өңдеу жұмыстары қысқарады.

Контекст және мысалдар

Ағымдағы нарықта құрылымдық деректерді өңдеу үшін аптаға созылатын тапсырмалар, дараланған оқыту мен ерекшелік құру қажеттілігі қалыпты жағдай. Мысалы, тұтынушылардың кету ықтималдығын немесе алаяқтықты анықтау үшін әдетте деректерді алдын ала өңдеп, белгілі алгоритмдерді үйрету қажет. Kumo Relational осы процестерді жеделдетіп, бір қадамда болжам жасауды қамтамасыз етеді.

Модельдің тиімділігі бірнеше зерттеулерде дәлелденді. 15 дерекқордан алынған 41 тапсырма бойынша ол белгілі қадағаланатын оқыту әдістерінен, оның ішінде gradient-boosted ағаштар мен AutoGluon топтамаларынан 8% жоғары нәтижеге жеткен. SAP SALT кәсіптік мәліметтер жиынына талдау жасағанда ол орташа алғанда 8%-дық MRR көрсеткішін жақсартты. Сонымен қатар, модель 500 миллиардтан астам қатарлар бар дерекқорлармен жұмыс істейді және NVIDIA-ның ашық бастапқы кодты құрылымдық-мәліметтер модельдерінің кітапханасы арқылы немесе NVIDIA NIM платформасында қолданылады.

Практикалық маңызы

Kumo Relational-дың ең басты практикалық ерекшелігі — масштабы үлкен және күрделі байланысты дерекқорларда жылдам әрі дәл болжам жасауға қабілеттілігі. Қолдану бағыты әртекті: тұтынушылардың қызметін жаңарту, сұранысты алдын ала білу, алаяқтықты анықтау және тағы басқалар. Үлгіге оқыту, дерекқорды қолмен өзгерту немесе ерекшеленген белгілерді құру қажеттілігі жоқ. Осы қасиеттерінен модель кәсіпорындарға тиімді автоматтандыру мен шешім қабылдаудың жаңа деңгейін ұсынады.

Жүйенің алдын ала дайындалуы корпоративтік ортаға жылдам енгізуді жеңілдетеді. Predictive Query Language арқылы әртүрлі деңгейдегі мамандар ықшам әрі түсінікті сұраулар жасап, нәтижесін бірден алады. Бұл деректер ғылымы топтарына жобалау мен эксперименттеуге бөлетін уақытын қысқартады, сонымен бірге бизнес қолданушыларға құрылымдық деректерден пайда алу мүмкіндігін арттырады.

Қысқа қорытынды

NVIDIA Kumo Relational қатынастық деректерге арналған жаңа буын негіздік модель ретінде кәсіпорындардың болжам қабілетін едәуір арттырады. Ол үйретусіз, контекстуалды оқытумен жұмыс істеп, күрделі дерекқорларды тиімді өңдейді. Бұл үлгі қадағаланатын оқыту тәсілдерінен асып түсіп, құрылымдық деректермен жұмыс істеу әдісін түбегейлі өзгертеді. Kumo Relational кәсіпорындарға деректерінен максималды пайда алуға мүмкіндік беріп, болашақтағы шешім қабылдауда иновациялық құрал ретінде қызмет етеді.

Дереккөз: Hugging Face Blog