Nvidia ra mắt Kumo Relational, mô hình nền tảng cho dự đoán cơ sở dữ liệu

Nvidia vừa phát hành Kumo Relational, một mô hình nền tảng được tiền huấn luyện nhằm đưa ra các dự đoán trực tiếp trên cơ sở dữ liệu quan hệ của doanh nghiệp. Được công bố vào tháng 10 năm 2026, mô hình trọng số mở này loại bỏ nhu cầu về huấn luyện theo tác vụ cụ thể hoặc kỹ thuật đặc trưng thủ công bằng cách tận dụng học trong ngữ cảnh (in-context learning). Đây là một bước chuyển mình đáng kể trong cách các kỹ sư máy học tiếp cận dữ liệu có cấu trúc, rời xa phương pháp làm phẳng bảng biểu để hướng tới suy luận quan hệ nguyên bản.

Điều gì đã xảy ra

Các quy trình máy học truyền thống đối với dữ liệu quan hệ đòi hỏi sự chuẩn bị tốn kém. Các kỹ sư phải làm phẳng các lược đồ cơ sở dữ liệu phức tạp thành các bảng đơn lẻ, tự tay xây dựng các đặc trưng và huấn luyện các mô hình riêng biệt cho từng tác vụ dự đoán. Quy trình này rất nặng nhọc và thường dẫn đến việc mất đi các tín hiệu cấu trúc vốn có trong mối quan hệ của cơ sở dữ liệu gốc. Kumo Relational giải quyết những nút thắt cổ chai này bằng cách hoạt động trực tiếp trên cấu trúc cơ sở dữ liệu, tôn trọng các bảng, khóa ngoại và động lực thời gian mà không cần làm phẳng dữ liệu.

Mô hình đã được đánh giá trên 41 tác vụ thuộc 15 cơ sở dữ liệu khác nhau, bao gồm các bộ chuẩn từ RelBench V1 và V2, SAP SALT và 4DBInfer. Những tập dữ liệu này bao phủ nhiều lĩnh vực đa dạng như thương mại điện tử, chăm sóc sức khỏe và hoạch định nguồn lực doanh nghiệp. Trong các bài kiểm tra này, Kumo Relational vượt trội hơn so với các mô hình học sâu quan hệ có giám sát và các quy trình cây tăng cường gradient (gradient-boosted tree) do chuyên gia thiết kế đặc trưng. Đáng chú ý, trên bộ chuẩn doanh nghiệp SAP SALT, nó đã vượt qua các ensemble AutoGluon tới 8% về chỉ số xếp hạng trung bình nghịch đảo (mean reciprocal rank) mà không cần bất kỳ sự tinh chỉnh nào.

Phiên bản phát hành này bao gồm cả trọng số mô hình và mã nguồn nền tảng dưới các giấy phép mở. Trọng số có sẵn thông qua Hugging Face Hub theo Thỏa thuận Giấy phép OpenMDW phiên bản 1.1, trong khi mã nguồn được phát hành dưới giấy phép Apache 2.0. Các nhà phát triển có thể truy cập mô hình thông qua thư viện structured-data-models hỗ trợ GPU của Nvidia hoặc triển khai nó như một dịch vụ Nvidia NIM, cho phép tích hợp linh hoạt vào hạ tầng hiện có.

Cách thức hoạt động

Kumo Relational hoạt động như một mô hình nền tảng few-shot sử dụng học trong ngữ cảnh để thích ứng với các tác vụ mới. Thay vì cập nhật trọng số mô hình thông qua quá trình huấn luyện, nó thu thập tối đa 10.000 ví dụ lịch sử làm ngữ cảnh trong quá trình suy luận. Mỗi ví dụ bao gồm một đồ thị con cục bộ xung quanh một thực thể cụ thể tại một thời điểm nhất định, ghép cặp với mục tiêu đúng (ground-truth target). Điều này cho phép mô hình hiểu rõ tác vụ dự đoán cụ thể một cách động dựa trên ngữ cảnh được cung cấp.

Kiến trúc xử lý dữ liệu qua ba giai đoạn. Thứ nhất, việc tạo ngữ cảnh tự động lấy mẫu các đồ thị con tập trung vào thực thể lên đến mốc thời gian neo (anchor timestamp), đảm bảo không rò rỉ dữ liệu bằng cách chỉ sử dụng dữ liệu lịch sử. Thứ hai, một mạng lưới nhẹ thực hiện suy luận trong từng bảng riêng lẻ, sử dụng cơ chế attention theo cột và hàng để xác định các đặc trưng liên quan và lọc nhiễu. Cuối cùng, một mạng lưới lớn hơn xử lý suy luận giữa các bảng thông qua graph attention trên các mối quan hệ khóa chính và khóa ngoại, liên kết các thực thể như người dùng với lịch sử giao dịch của họ một cách hiệu quả.

Để tạo điều kiện tương tác, hệ thống sử dụng Ngôn ngữ Truy vấn Dự đoán (Predictive Query Language - PQL), một giao diện khai báo nơi người dùng chỉ định cái gì cần dự đoán thay vì cách tính toán nó. Thiết kế này tránh chi phí bậc hai (quadratic cost) liên quan đến việc xử lý mọi ô trong mọi bảng bằng cách làm việc trên các embedding hàng. Kết quả là, mô hình có thể mở rộng cho các cơ sở dữ liệu với hơn 500 tỷ hàng và duy trì hiệu suất cao ngay cả khi có những phần đáng kể các liên kết khóa ngoại bị thiếu hoặc tồn tại các cột nhiễu.

Chi tiết chính

• Không cần huấn luyện: Mô hình sử dụng học trong ngữ cảnh với tối đa 10.000 ví dụ, loại bỏ nhu cầu về các chu kỳ huấn luyện theo tác vụ cụ thể.
• Hiệu suất vượt trội: Nó vượt qua các mô hình có giám sát và các quy trình XGBoost do chuyên gia thiết kế đặc trưng trên 41 bộ chuẩn thuộc 15 cơ sở dữ liệu.
• Xử lý quan hệ nguyên bản: Hoạt động trực tiếp trên lược đồ cơ sở dữ liệu với khóa ngoại và dấu thời gian, tránh việc làm phẳng dữ liệu thủ công.
• Khả năng mở rộng: Hỗ trợ các cơ sở dữ liệu có hơn 500 tỷ hàng thông qua I/O ánh xạ bộ nhớ (memory-mapped I/O) và các cơ chế graph attention hiệu quả.
• Truy cập mở: Trọng số mô hình và mã nguồn đều công khai, với trọng số theo giấy phép OpenMDW v1.1 và mã nguồn theo giấy phép Apache 2.0.
• Sẵn sàng cho Agent: Được thiết kế để được gọi bởi các AI agent thông qua PQL, cho phép tự động hóa các quy trình dự đoán song song với các tác vụ AI tạo sinh.

Tại sao điều này quan trọng

Đối với các nhóm phần mềm xây dựng sản phẩm dày đặc dữ liệu, sự phát triển này giảm bớt rào cản gia nhập đối với phân tích dự đoán nâng cao. Quy trình truyền thống gồm kỹ thuật đặc trưng và huấn luyện mô hình thường mất vài tuần và đòi hỏi chuyên môn khoa học dữ liệu chuyên sâu. Bằng cách thay thế quy trình này bằng một giao diện dựa trên truy vấn, các tổ chức có thể triển khai các khả năng dự đoán cho tỷ lệ rời bỏ khách hàng (churn), dự báo nhu cầu hoặc phát hiện gian lận nhanh hơn nhiều. Sự linh hoạt này cho phép các nhóm kỹ thuật giải quyết các trường hợp sử dụng trước đây quá tốn kém hoặc phức tạp để biện minh.

Hơn nữa, khả năng của các mô hình nền tảng trong việc suy luận trên dữ liệu có cấu trúc thu hẹp khoảng cách giữa các mô hình ngôn ngữ lớn (LLM) và cơ sở dữ liệu doanh nghiệp. Trong khi LLM xuất sắc trong việc xử lý văn bản phi cấu trúc, chúng gặp khó khăn trong suy luận số chính xác trên các lược đồ quan hệ phức tạp. Kumo Relational cung cấp lớp dự đoán cho phép các AI agent không chỉ đọc dữ liệu mà còn dự báo các trạng thái tương lai. Sự tích hợp này cho phép các agent tự chủ tinh vi hơn, có thể hành động dựa trên các kết quả dự đoán, chẳng hạn như chủ động giải quyết tình trạng rời bỏ khách hàng trước khi nó xảy ra.

Bạn có thể làm gì

• Cài đặt thư viện mã nguồn mở structured-data-models từ PyPI để tải mô hình trong môi trường được hỗ trợ bởi GPU.
• Xem xét notebook quickstart trên GitHub để hiểu cách truyền các ví dụ ngữ cảnh và thực thể dự đoán cho mô hình.
• Thử nghiệm với Predictive Query Language để xác định các tác vụ dự đoán của riêng bạn mà không cần viết các quy trình huấn luyện tùy chỉnh.
• Triển khai mô hình như một dịch vụ Nvidia NIM nếu bạn ưu tiên kiến trúc microservice tách biệt thay vì thực thi trong bộ nhớ.
• Đánh giá mô hình trên các tập dữ liệu quan hệ của riêng bạn bằng cách sử dụng mã client được cung cấp cho môi trường cục bộ hoặc Databricks.
• Đọc bài nghiên cứu liên quan trên arXiv để hiểu về phương pháp tiền huấn luyện tổng hợp và các chi tiết kiến trúc.