Nvidia、データベース予測向け基盤モデル「Kumo Relational」をリリース

Nvidiaは、エンタープライズのリレーショナルデータベース上で直接予測を行うよう設計された事前学習済み基盤モデル「Kumo Relational」をリリースしました。2026年10月に発表されたこのオープンウェイトモデルは、インコンテキストラーニングを活用することで、タスク固有のトレーニングや手動による特徴量エンジニアリングの必要性を排除します。これは、機械学習エンジニアが構造化データに取り組む方法における大きな転換点であり、フラット化されたテーブルからネイティブなリレーショナル推論へと移行することを意味しています。

何が起きたか

リレーショナルデータに対する従来の機械学習パイプラインでは、 extensive な準備作業が必要でした。エンジニアは複雑なデータベーススキーマを単一のテーブルにフラット化し、手動で特徴量を設計し、各予測タスクごとに個別のモデルを訓練する必要がありました。このプロセスは労力を要するだけでなく、元のデータベース関係に含まれる構造シグナルの喪失につながることも多くありました。Kumo Relationalは、データフラット化を要求することなくテーブル、外部キー、時間的ダイナミクスを尊重しながらデータベース構造上で直接動作することで、これらのボトルネックを解消します。

本モデルは、RelBench V1およびV2、SAP SALT、4DBInferなどのベンチマークを含む、15の異なるデータベース上の41のタスクで評価されました。これらのデータセットは、eコマース、ヘルスケア、企業リソース計画など、多様な領域をカバーしています。これらのテストにおいて、Kumo Relationalは教師ありリレーショナルディープラーニングモデルや専門家によって設計された勾配ブースティングツリーパイプラインを上回りました。特に、SAP SALTエンタープライズベンチマークでは、ファインチューニングなしでAutoGluonアンサンブルよりも平均逆順位（mean reciprocal rank）で8%優れた性能を示しました。

今回のリリースには、モデルウェイトと基盤となるコードの両方がオープンライセンスの下で含まれています。ウェイトはOpenMDW License Agreement v1.1の下でHugging Face Hubを通じて利用可能であり、コードはApache 2.0ライセンスの下で公開されています。開発者はNvidiaのGPUネイティブ構造化データモデルライブラリを通じてモデルにアクセスしたり、既存のインフラへの柔軟な統合を可能にするNvidia NIMサービスとしてデプロイしたりできます。

仕組み

Kumo Relationalは、インコンテキストラーニングを使用して新しいタスクに適応するFew-Shot基盤モデルとして機能します。トレーニングを通じてモデルウェイトを更新する代わりに、推論時に最大10,000件の履歴サンプルをコンテキストとして収集します。各サンプルは、特定の時点でのエンティティ周辺の局所サブグラフと、その正解ターゲット（ground-truth target）で構成されます。これにより、モデルは提供されたコンテキストに基づいて具体的な予測タスクを動的に理解することができます。

アーキテクチャは3段階でデータを処理します。まず、自動コンテキスト生成により、アンカータイムスタンプまでのエンティティ中心のサブグラフをサンプリングし、履歴データのみを使用することでデータリークを防ぎます。次に、軽量ネットワークが個々のテーブル内で推論を実行し、カラムアテンションとロウアテンションを用いて関連する特徴量を識別しノイズをフィルタリングします。最後に、より大きなネットワークが主キーと外部キー関係に対するグラフアテンションを通じてテーブル間の推論を処理し、ユーザーとその取引履歴などのエンティティを効率的にリンクします。

インタラクションを容易にするため、システムはPredictive Query Language (PQL)という宣言的インターフェースを使用します。これにより、ユーザーは計算方法ではなく何を予測するかを指定します。この設計により、すべてのテーブルのすべてのセルを処理することに伴う二次的なコストを回避し、ロウ埋め込み（row embeddings）上で動作します。その結果、モデルは5,000億行以上のデータベースにもスケールし、外部キーリンクの大部分が欠落していたりノイズのあるカラムが存在する場合でも高いパフォーマンスを維持します。

主要な詳細

• トレーニング不要: モデルは最大10,000件のサンプルを用いたインコンテキストラーニングを使用するため、タスク固有のトレーニングサイクルが不要です。
• 優れた性能: 15のデータベースにわたる41のベンチマークで、教師ありモデルや専門家設計のXGBoostパイプラインを上回ります。
• ネイティブなリレーショナル処理: データフラット化を避けて、外部キーとタイムスタンプを持つデータベーススキーマ上で直接動作します。
• スケーラビリティ: メモリマップドI/Oと効率的なグラフアテンションメカニズムにより、5,000億行を超えるデータベースをサポートします。
• オープンアクセス: モデルウェイトとコードは一般公開されており、ウェイトはOpenMDW License v1.1、コードはApache 2.0の下にあります。
• エージェント対応: PQLを介してAIエージェントから呼び出されるように設計されており、生成AIタスクと並行して自動化された予測ワークフローを実現します。

なぜ重要なのか

データ集約型製品を開発するソフトウェアチームにとって、この進展は高度な予測分析への参入障壁を下げるものです。特徴量エンジニアリングとモデルトレーニングという従来のワークフローは通常数週間かかり、専門的なデータサイエンスの知識を必要とします。これをクエリベースのインターフェースに置き換えることで、組織は解約率（churn）、需要予測、不正検知などの予測機能をより迅速に展開できます。この俊敏性により、エンジニアリングチームはこれまでコストや複雑さのために正当化できなかったユースケースに取り組めるようになります。

さらに、基盤モデルが構造化データに対して推論できる能力は、大規模言語モデル（LLM）とエンタープライズデータベースの間のギャップを埋めます。LLMは非構造化テキストの処理に優れていますが、複雑なリレーショナルスキーマに対する精密な数値推論には苦戦します。Kumo Relationalは、AIエージェントがデータを読むだけでなく将来の状態を予測できるようにする予測レイヤーを提供します。この統合により、顧客の解約が発生する前に先制的に対応するなど、予測された結果に基づいて行動できるより洗練された自律エージェントの実現が可能になります。

できること

• PyPIからオープンソースのstructured-data-modelsライブラリをインストールし、GPU環境でモデルを読み込みます。
• GitHubのクイックスタートノートブックを確認し、コンテキストサンプルと予測エンティティをモデルに渡す方法を理解します。
• Predictive Query Languageを試して、カスタムトレーニングパイプラインを書かずに独自の予測タスクを定義します。
• インメモリ実行よりも独立したマイクロサービスアーキテクチャを好む場合は、モデルをNvidia NIMサービスとしてデプロイします。
• ローカルまたはDatabricks環境用のクライアントコードを使用して、自身のリレーショナルデータセットでモデルを評価します。
• arXiv上の関連研究論文を読み、合成事前学習手法とアーキテクチャの詳細を理解します。