إنفيديا كومو ريليشنال: نموذج أساسي لقواعد بيانات المؤسسات يتفوق على التعلم الخاضع للإشراف دون تدريب

أطلقت إنفيديا كومو ريليشنال (Kumo Relational)، وهو نموذج أساسي مدرب مسبقًا يعمل مباشرة على قواعد البيانات العلائقية لتقديم تنبؤات لمهام مثل توقع 이탈 العملاء، وتخطيط الطلب، وكشف الاحتيال. على عكس خطوط الإنتاج التقليدية التي تتطلب أسابيع من هندسة الميزات وتدريب نماذج لكل مهمة، يجمع كومو ريليشنال السياق التاريخي ذي الصلة — حتى 10,000 صف — وينتج الإجابات في تمرير أمامي واحد.

عبر 41 مهمة معيارية تمتد على 15 قاعدة بيانات، يتفوق النموذج على مناهج التعلم العميق العلائقية الخاضعة للإشراف وخطوط إنتاج الأشجار المعززة بالتدرج المعدلة بخبرة. في معيار SAP SALT المؤسسي، يتجاوز مجموعات أوتوغلو (AutoGluon) بنسبة 8% في متوسط الرتبة المتبادلة (MRR) مباشرة، وبنسبة 13% بعد الضبط الدقيق. النظام يتوسع ليشمل قواعد بيانات تتجاوز 500 مليار صف.

لماذا يهم هذا البنية التحتية لـ GPU / الذكاء الاصطناعي

يشير كومو ريليشنال إلى نفس التحول النموذجي الذي جلبته نماذج اللغة الكبيرة لمعالجة اللغة الطبيعية: نموذج واحد مدرب مسبقًا يحل محل عشرات خطوط الإنتاج الخاصة بالمهام. لفرق البنية التحتية، هذا يعني أن عناقيد GPU يمكنها خدمة نقطة استنتاج موحدة لاستعلامات تنبؤية متنوعة عبر مكتبة إنفيديا مفتوحة المصدر structured-data-models أو كخدمة نيم (NIM) مصغرة من إنفيديا. لغة الاستعلام التنبؤية (PQL) تجعل النموذج جاهزًا للوكلاء، مما يمكّن الأنظمة المستقلة من توقع نتائج الأعمال والتصرف بناءً عليها.

بدون تسطيح للجداول ودون صياغة ميزات يدوية، يمكن لفرق التعلم الآلي معالجة حالات استخدام كانت في السابق كثيفة العمالة جدًا لتبريرها. النموذج متاح اليوم للتقييم والنشر على البنية التحتية المعجلة بـ GPU.