Nvidia veröffentlicht Kumo Relational, ein Basismodell für Datenbankvorhersagen

Nvidia hat Kumo Relational veröffentlicht, ein vortrainiertes Basismodell, das darauf ausgelegt ist, Vorhersagen direkt auf relationalen Unternehmensdatenbanken zu treffen. Das im Oktober 2026 angekündigte Open-Weight-Modell eliminiert die Notwendigkeit von aufgabenspezifischem Training oder manuellem Feature Engineering durch die Nutzung von In-Context-Learning. Es stellt einen bedeutenden Wandel dar, wie Machine-Learning-Ingenieure mit strukturierten Daten umgehen, und bewegt sich weg von flachen Tabellen hin zu nativem relationalem Schlussfolgern.

Was passiert ist

Traditionelle Machine-Learning-Pipelines für relationale Daten erfordern umfangreiche Vorbereitung. Ingenieure müssen komplexe Datenbankschemas in einzelne Tabellen abflachen, Features manuell erstellen und separate Modelle für jede Vorhersageaufgabe trainieren. Dieser Prozess ist arbeitsintensiv und führt oft zum Verlust der strukturellen Signale, die in den ursprünglichen Datenbankbeziehungen vorhanden sind. Kumo Relational adressiert diese Engpässe, indem es direkt auf der Datenbankstruktur operiert, Tabellen, Fremdschlüssel und zeitliche Dynamiken respektiert und keine Datenabflachung erfordert.

Das Modell wurde über 41 Aufgaben hinweg auf 15 verschiedenen Datenbanken evaluiert, einschließlich Benchmarks von RelBench V1 und V2, SAP SALT und 4DBInfer. Diese Datensätze decken verschiedene Domänen wie E-Commerce, Gesundheitswesen und Enterprise Resource Planning ab. In diesen Tests übertraf Kumo Relational überwachte relationale Deep-Learning-Modelle und expertenbasierte Gradient-Boosted-Tree-Pipelines. Bemerkenswert ist, dass es auf dem SAP-SALT-Enterprise-Benchmark AutoGluon-Ensembles um 8 % beim mittleren reziproken Rang übertraf, ohne jegliches Fine-Tuning.

Diese Veröffentlichung umfasst sowohl die Modellgewichte als auch den zugrunde liegenden Code unter offenen Lizenzen. Die Gewichte sind über Hugging Face Hub unter der OpenMDW License Agreement, Version 1.1, verfügbar, während der Code unter der Apache-2.0-Lizenz veröffentlicht wurde. Entwickler können auf das Modell über Nvidias GPU-native Bibliothek für Strukturierte-Daten-Modelle zugreifen oder es als Nvidia-NIM-Dienst bereitstellen, was eine flexible Integration in bestehende Infrastrukturen ermöglicht.

Wie es funktioniert

Kumo Relational fungiert als Few-Shot-Basismodell, das In-Context-Learning nutzt, um sich an neue Aufgaben anzupassen. Anstatt Modellgewichte durch Training zu aktualisieren, sammelt es bis zu 10.000 historische Beispiele als Kontext während der Inferenz. Jedes Beispiel besteht aus einem lokalen Subgraphen um eine bestimmte Entität zu einem bestimmten Zeitpunkt, gepaart mit ihrem Ground-Truth-Zielwert. Dies ermöglicht es dem Modell, die spezifische Vorhersageaufgabe dynamisch basierend auf dem bereitgestellten Kontext zu verstehen.

Die Architektur verarbeitet Daten in drei Stufen. Erstens erzeugt die automatische Kontextgenerierung entitätszentrierte Subgraphen bis zu einem Ankerzeitstempel und stellt sicher, dass keine Datenlecks entstehen, indem nur historische Daten verwendet werden. Zweitens führt ein leichtgewichtiges Netzwerk Schlussfolgerungen innerhalb individueller Tabellen durch, wobei Spalten- und Zeilenaufmerksamkeit genutzt wird, um relevante Features zu identifizieren und Rauschen zu filtern. Schließlich behandelt ein größeres Netzwerk das Schlussfolgern über Tabellen hinweg mittels Graph Attention über Primär- und Fremdschlüsselbeziehungen und verknüpft Entitäten wie Benutzer effizient mit ihrer Transaktionshistorie.

Um die Interaktion zu erleichtern, nutzt das System die Predictive Query Language (PQL), eine deklarative Schnittstelle, bei der Benutzer angeben, was vorhergesagt werden soll, statt wie es berechnet werden soll. Dieses Design vermeidet die quadratischen Kosten, die mit der Verarbeitung jeder Zelle in jeder Tabelle verbunden sind, indem es mit Zeilen-Einbettungen arbeitet. Als Ergebnis skaliert das Modell auf Datenbanken mit mehr als 500 Milliarden Zeilen und behält hohe Leistungsfähigkeit bei, selbst wenn signifikante Teile der Fremdschlüsselverbindungen fehlen oder verrauschte Spalten vorhanden sind.

Wichtige Details

• Kein Training erforderlich: Das Modell nutzt In-Context-Learning mit bis zu 10.000 Beispielen und eliminiert so die Notwendigkeit von aufgabenspezifischen Trainingszyklen.
• Überlegene Leistung: Es übertrifft überwachte Modelle und expertenbasierte XGBoost-Pipelines auf 41 Benchmarks über 15 Datenbanken hinweg.
• Native relationale Handhabung: Operiert direkt auf Datenbankschemas mit Fremdschlüsseln und Zeitstempeln und vermeidet manuelle Datenabflachung.
• Skalierbarkeit: Unterstützt Datenbanken mit mehr als 500 Milliarden Zeilen durch Memory-Mapped-I/O und effiziente Graph-Attention-Mechanismen.
• Offener Zugang: Modellgewichte und Code sind öffentlich verfügbar, wobei die Gewichte unter der OpenMDW License v1.1 und der Code unter Apache 2.0 stehen.
• Agent-ready: Entwickelt, um von KI-Agenten über PQL aufgerufen zu werden, was automatisierte Vorhersageworkflows neben generativen KI-Aufgaben ermöglicht.

Warum es wichtig ist

Für Softwareteams, die datenintensive Produkte entwickeln, senkt diese Entwicklung die Einstiegshürde für fortgeschrittene prädiktive Analysen. Der traditionelle Workflow aus Feature Engineering und Modelltraining dauert oft Wochen und erfordert spezialisierte Data-Science-Expertise. Durch die Ersetzung dieses Workflows durch eine abfragebasierte Schnittstelle können Organisationen Vorhersagefähigkeiten für Churn, Nachfrageprognosen oder Betrugserkennung viel schneller bereitstellen. Diese Agilität ermöglicht es Ingenieursteams, Anwendungsfälle zu bearbeiten, die zuvor zu kostspielig oder komplex waren, um sie zu rechtfertigen.

Darüber hinaus überbrückt die Fähigkeit von Basismodellen, über strukturierte Daten zu schlussfolgern, die Lücke zwischen großen Sprachmodellen und Unternehmensdatenbanken. Während LLMs hervorragend darin sind, unstrukturierten Text zu verarbeiten, haben sie Schwierigkeiten mit präzisen numerischen Schlussfolgerungen über komplexe relationale Schemas. Kumo Relational bietet die Vorhersageschicht, die es KI-Agenten ermöglicht, Daten nicht nur zu lesen, sondern zukünftige Zustände antizipieren. Diese Integration ermöglicht anspruchsvollere autonome Agenten, die auf vorhergesagte Ergebnisse reagieren können, wie z. B. proaktives Adressieren von Kundenabwanderung, bevor sie eintritt.

Was Sie tun können

• Installieren Sie die Open-Source-Bibliothek für Strukturierte-Daten-Modelle von PyPI, um das Modell in einer GPU-gestützten Umgebung zu laden.
• Prüfen Sie das Quickstart-Notebook auf GitHub, um zu verstehen, wie Kontextbeispiele und Vorhersageentitäten an das Modell übergeben werden.
• Experimentieren Sie mit der Predictive Query Language, um Ihre eigenen Vorhersageaufgaben zu definieren, ohne benutzerdefinierte Trainingspipelines zu schreiben.
• Stellen Sie das Modell als Nvidia-NIM-Dienst bereit, wenn Sie eine separate Microservice-Architektur der In-Memory-Ausführung vorziehen.
• Evaluieren Sie das Modell auf Ihren eigenen relationalen Datensätzen unter Verwendung des bereitgestellten Client-Codes für lokale oder Databricks-Umgebungen.
• Lesen Sie das zugehörige Forschungsarbeit auf arXiv, um die synthetische Vortrainingsmethodik und architektonische Details zu verstehen.