Nvidia lance Kumo Relational, un modèle de base pour les prévisions sur bases de données

Nvidia a publié Kumo Relational, un modèle de base pré-entraîné conçu pour effectuer des prédictions directement sur les bases de données relationnelles d'entreprise. Annoncé en octobre 2026, ce modèle à poids ouverts élimine le besoin d'un entraînement spécifique aux tâches ou d'une ingénierie manuelle des fonctionnalités grâce à l'apprentissage en contexte (in-context learning). Il représente un changement majeur dans la manière dont les ingénieurs en apprentissage automatique abordent les données structurées, s'éloignant des tables aplaties au profit d'un raisonnement relationnel natif.

Ce qui s'est passé

Les pipelines traditionnels d'apprentissage automatique pour les données relationnelles nécessitent une préparation approfondie. Les ingénieurs doivent aplatir des schémas de bases de données complexes en tables uniques, concevoir manuellement des fonctionnalités et entraîner des modèles distincts pour chaque tâche de prédiction. Ce processus est laborieux et entraîne souvent la perte de signaux structurels présents dans les relations originales de la base de données. Kumo Relational répond à ces goulets d'étranglement en opérant directement sur la structure de la base de données, respectant les tables, les clés étrangères et les dynamiques temporelles sans nécessiter d'aplatissement des données.

Le modèle a été évalué sur 41 tâches concernant 15 bases de données différentes, incluant des benchmarks issus de RelBench V1 et V2, SAP SALT et 4DBInfer. Ces jeux de données couvrent des domaines variés tels que le commerce électronique, la santé et la planification des ressources d'entreprise. Lors de ces tests, Kumo Relational a surpassé les modèles d'apprentissage profond supervisé relationnel et les pipelines d'arbres boostés par gradient conçus par des experts. Fait notable, sur le benchmark d'entreprise SAP SALT, il a dépassé les ensembles AutoGluon de 8 % en rang moyen réciproque (mean reciprocal rank) sans aucun ajustement fin (fine-tuning).

Cette publication comprend à la fois les poids du modèle et le code sous-jacent sous des licences ouvertes. Les poids sont disponibles via Hugging Face Hub sous la licence OpenMDW License Agreement, version 1.1, tandis que le code est publié sous la licence Apache 2.0. Les développeurs peuvent accéder au modèle via la bibliothèque GPU-native structured-data-models de Nvidia ou le déployer en tant que service Nvidia NIM, permettant une intégration flexible dans les infrastructures existantes.

Comment cela fonctionne

Kumo Relational fonctionne comme un modèle de base few-shot qui utilise l'apprentissage en contexte pour s'adapter à de nouvelles tâches. Au lieu de mettre à jour les poids du modèle via un entraînement, il rassemble jusqu'à 10 000 exemples historiques comme contexte lors de l'inférence. Chaque exemple consiste en un sous-graphe local autour d'une entité spécifique à un moment donné, associé à sa cible vérifiée (ground-truth target). Cela permet au modèle de comprendre la tâche de prédiction spécifique dynamiquement en se basant sur le contexte fourni.

L'architecture traite les données en trois étapes. Premièrement, la génération automatique de contexte échantillonne des sous-graphes centrés sur les entités jusqu'à un horodatage ancre, garantissant l'absence de fuite de données en n'utilisant que des données historiques. Deuxièmement, un réseau léger effectue un raisonnement au sein des tables individuelles, utilisant l'attention sur les colonnes et les lignes pour identifier les fonctionnalités pertinentes et filtrer le bruit. Enfin, un réseau plus grand gère le raisonnement entre les tables via une attention sur les graphes portant sur les relations de clés primaires et étrangères, reliant efficacement des entités telles que les utilisateurs à leur historique de transactions.

Pour faciliter l'interaction, le système utilise le Predictive Query Language (PQL), une interface déclarative où les utilisateurs spécifient quoi prédire plutôt que comment calculer. Cette conception évite le coût quadratique associé au traitement de chaque cellule de chaque table en travaillant sur les embeddings de lignes. Par conséquent, le modèle s'étend à des bases de données contenant plus de 500 milliards de lignes et maintient des performances élevées même lorsque des portions significatives de liens de clés étrangères sont manquantes ou que des colonnes bruitées sont présentes.

Détails clés

• Aucun entraînement requis : Le modèle utilise l'apprentissage en contexte avec jusqu'à 10 000 exemples, éliminant le besoin de cycles d'entraînement spécifiques aux tâches.
• Performance supérieure : Il surpasse les modèles supervisés et les pipelines XGBoost conçus par des experts sur 41 benchmarks répartis sur 15 bases de données.
• Gestion relationnelle native : Opère directement sur les schémas de bases de données avec clés étrangères et horodatages, évitant l'aplatissement manuel des données.
• Scalabilité : Prend en charge les bases de données de plus de 500 milliards de lignes grâce à l'I/O mappée en mémoire et à des mécanismes efficaces d'attention sur les graphes.
• Accès ouvert : Les poids du modèle et le code sont publiquement disponibles, les poids étant sous la licence OpenMDW v1.1 et le code sous Apache 2.0.
• Prêt pour les agents : Conçu pour être appelé par des agents IA via PQL, permettant des workflows prédictifs automatisés parallèlement aux tâches d'IA générative.

Pourquoi c'est important

Pour les équipes logicielles développant des produits intensifs en données, cette évolution réduit la barrière à l'entrée pour l'analyse prédictive avancée. Le flux de travail traditionnel d'ingénierie des fonctionnalités et d'entraînement de modèles prend souvent des semaines et nécessite une expertise spécialisée en science des données. En remplaçant cela par une interface basée sur des requêtes, les organisations peuvent déployer des capacités prédictives pour le churn, la prévision de la demande ou la détection de fraude beaucoup plus rapidement. Cette agilité permet aux équipes d'ingénierie de traiter des cas d'usage auparavant trop coûteux ou complexes pour être justifiés.

De plus, la capacité des modèles de base à raisonner sur des données structurées comble le fossé entre les grands modèles de langage (LLM) et les bases de données d'entreprise. Alors que les LLM excellent dans le traitement de textes non structurés, ils peinent avec le raisonnement numérique précis sur des schémas relationnels complexes. Kumo Relational fournit la couche prédictive qui permet aux agents IA non seulement de lire les données, mais aussi d'anticiper les états futurs. Cette intégration permet des agents autonomes plus sophistiqués capables d'agir sur des résultats prédits, comme adresser proactivement le churn client avant qu'il ne survienne.

Ce que vous pouvez faire

• Installez la bibliothèque open-source structured-data-models depuis PyPI pour charger le modèle dans un environnement accéléré par GPU.
• Consultez le notebook de démarrage rapide sur GitHub pour comprendre comment transmettre des exemples de contexte et des entités de prédiction au modèle.
• Expérimentez avec le Predictive Query Language pour définir vos propres tâches prédictives sans écrire de pipelines d'entraînement personnalisés.
• Déployez le modèle en tant que service Nvidia NIM si vous préférez une architecture microservices séparée plutôt qu'une exécution en mémoire.
• Évaluez le modèle sur vos propres jeux de données relationnels en utilisant le code client fourni pour les environnements locaux ou Databricks.
• Lisez l'article de recherche associé sur arXiv pour comprendre la méthodologie de pré-entraînement synthétique et les détails architecturaux.