Nvidia lanza Kumo Relational, un modelo base para predicciones en bases de datos

Nvidia ha lanzado Kumo Relational, un modelo base preentrenado diseñado para realizar predicciones directamente sobre bases de datos relacionales empresariales. Anunciado en octubre de 2026, este modelo de pesos abiertos elimina la necesidad de entrenamiento específico por tarea o ingeniería manual de características mediante el aprendizaje en contexto (in-context learning). Representa un cambio significativo en cómo los ingenieros de machine learning abordan los datos estructurados, alejándose de las tablas aplanadas hacia un razonamiento relacional nativo.

Qué ha ocurrido

Los pipelines tradicionales de machine learning para datos relacionales requieren una preparación extensa. Los ingenieros deben aplanar esquemas de bases de datos complejos en tablas únicas, diseñar características manualmente y entrenar modelos separados para cada tarea predictiva. Este proceso es intensivo en mano de obra y a menudo resulta en la pérdida de señales estructurales presentes en las relaciones originales de la base de datos. Kumo Relational aborda estos cuellos de botella operando directamente sobre la estructura de la base de datos, respetando las tablas, las claves foráneas y las dinámicas temporales sin requerir el aplanamiento de los datos.

El modelo fue evaluado en 41 tareas sobre 15 bases de datos diferentes, incluyendo benchmarks de RelBench V1 y V2, SAP SALT y 4DBInfer. Estos conjuntos de datos cubren diversos dominios como comercio electrónico, atención sanitaria y planificación de recursos empresariales. En estas pruebas, Kumo Relational superó a los modelos supervisados de deep learning relacional y a los pipelines de árboles de gradientes boosting diseñados por expertos. Destacablemente, en el benchmark empresarial SAP SALT, superó a los ensambles de AutoGluon en un 8% en la media del recíproco del rango (mean reciprocal rank) sin ningún ajuste fino (fine-tuning).

Este lanzamiento incluye tanto los pesos del modelo como el código subyacente bajo licencias abiertas. Los pesos están disponibles a través de Hugging Face Hub bajo el Acuerdo de Licencia OpenMDW, versión 1.1, mientras que el código se publica bajo la licencia Apache 2.0. Los desarrolladores pueden acceder al modelo a través de la biblioteca structured-data-models nativa para GPU de Nvidia o desplegarlo como un servicio Nvidia NIM, permitiendo una integración flexible en infraestructuras existentes.

Cómo funciona

Kumo Relational funciona como un modelo base few-shot que utiliza el aprendizaje en contexto para adaptarse a nuevas tareas. En lugar de actualizar los pesos del modelo mediante entrenamiento, recopila hasta 10.000 ejemplos históricos como contexto durante la inferencia. Cada ejemplo consiste en un subgrafo local alrededor de una entidad específica en un momento dado, emparejado con su objetivo verdadero (ground-truth target). Esto permite al modelo entender la tarea de predicción específica dinámicamente basándose en el contexto proporcionado.

La arquitectura procesa los datos en tres etapas. Primero, la generación automática de contexto muestrea subgrafos centrados en entidades hasta un timestamp ancla, asegurando que no haya fuga de datos al utilizar únicamente información histórica. Segundo, una red ligera realiza el razonamiento dentro de tablas individuales, utilizando atención a columnas y filas para identificar características relevantes y filtrar ruido. Finalmente, una red más grande gestiona el razonamiento entre tablas mediante atención gráfica sobre relaciones de clave primaria y foránea, vinculando entidades como usuarios a su historial de transacciones de manera eficiente.

Para facilitar la interacción, el sistema utiliza Predictive Query Language (PQL), una interfaz declarativa donde los usuarios especifican qué predecir en lugar de cómo calcularlo. Este diseño evita el coste cuadrático asociado con el procesamiento de cada celda en cada tabla al trabajar sobre embeddings de fila. Como resultado, el modelo escala a bases de datos con más de 500 mil millones de filas y mantiene un alto rendimiento incluso cuando faltan enlaces significativos de claves foráneas o hay columnas ruidosas.

Detalles clave

• Sin entrenamiento requerido: El modelo utiliza aprendizaje en contexto con hasta 10.000 ejemplos, eliminando la necesidad de ciclos de entrenamiento específicos por tarea.
• Rendimiento superior: Supera a modelos supervisados y pipelines XGBoost diseñados por expertos en 41 benchmarks a través de 15 bases de datos.
• Manejo relacional nativo: Opera directamente sobre esquemas de bases de datos con claves foráneas y timestamps, evitando el aplanamiento manual de datos.
• Escalabilidad: Admite bases de datos con más de 500 mil millones de filas mediante E/S mapeada en memoria y mecanismos eficientes de atención gráfica.
• Acceso abierto: Los pesos del modelo y el código están públicamente disponibles, con los pesos bajo la licencia OpenMDW v1.1 y el código bajo Apache 2.0.
• Listo para agentes: Diseñado para ser llamado por agentes de IA vía PQL, habilitando flujos de trabajo predictivos automatizados junto con tareas de IA generativa.

Por qué importa

Para equipos de software que construyen productos intensivos en datos, este desarrollo reduce la barrera de entrada para analíticas predictivas avanzadas. El flujo de trabajo tradicional de ingeniería de características y entrenamiento de modelos a menudo toma semanas y requiere experiencia especializada en ciencia de datos. Al reemplazar esto con una interfaz basada en consultas, las organizaciones pueden desplegar capacidades predictivas para churn, pronóstico de demanda o detección de fraude mucho más rápido. Esta agilidad permite a los equipos de ingeniería abordar casos de uso que previamente eran demasiado costosos o complejos para justificar.

Además, la capacidad de los modelos base para razonar sobre datos estructurados cierra la brecha entre los grandes modelos de lenguaje (LLM) y las bases de datos empresariales. Mientras que los LLM destacan en el procesamiento de texto no estructurado, tienen dificultades con el razonamiento numérico preciso sobre esquemas relacionales complejos. Kumo Relational proporciona la capa predictiva que permite a los agentes de IA no solo leer datos, sino anticipar estados futuros. Esta integración habilita agentes autónomos más sofisticados que pueden actuar sobre resultados predichos, como abordar proactivamente el abandono de clientes antes de que ocurra.

Qué puedes hacer

• Instala la biblioteca open-source structured-data-models desde PyPI para cargar el modelo en un entorno respaldado por GPU.
• Revisa el notebook de inicio rápido en GitHub para entender cómo pasar ejemplos de contexto y entidades de predicción al modelo.
• Experimenta con Predictive Query Language para definir tus propias tareas predictivas sin escribir pipelines de entrenamiento personalizados.
• Despliega el modelo como un servicio Nvidia NIM si prefieres una arquitectura de microservicios separada en lugar de ejecución en memoria.
• Evalúa el modelo en tus propios conjuntos de datos relacionales utilizando el código cliente proporcionado para entornos locales o Databricks.
• Lee el paper de investigación asociado en arXiv para entender la metodología de preentrenamiento sintético y los detalles arquitectónicos.