NVIDIA Kumo Relational Relational Data üzrə Nəzarət olunan Maşın Öyrənməsindən üstündür, Təlim tələb olunmur

NVIDIA Kumo Relational, birbaşa müəssisə verilənlər bazalarında proqnozlar verən, əvvəlcədən öyrədilmiş relational təməl modelidir. Proqnozlaşdırılan sorğunu nəzərə alaraq, o, kontekst kimi 10.000-ə qədər tarixi nümunə toplayır və tək irəli keçiddə boşluq, tələb və ya saxtakarlıq kimi nəticələri proqnozlaşdırır. Bunun heç bir tapşırıq üçün xüsusi təlimə, heç bir xüsusiyyət mühəndisliyinə və cədvəllərin düzəldilməsinə ehtiyac yoxdur. Kumo Relational, ümumi əlaqə meyarlarında nəzarət edilən maşın öyrənməsindən üstün olan ilk bir neçə atışlı təməl modelidir. 15 verilənlər bazasında 41 tapşırıqda o, nəzarət edilən əlaqəli dərin öyrənmə modellərini və ekspert tərəfindən hazırlanmış qradientlə gücləndirilmiş ağac boru kəmərlərini üstələyir və SAP SALT müəssisə benchmarkında o, AutoGluon ansambllarını orta qarşılıqlı dərəcədə (MRR) 8% üstələyir. O, 500B+ sıra ilə verilənlər bazasına miqyaslanır və NVIDIA-nın açıq mənbəli, GPU-doğma strukturlaşdırılmış məlumat modelləri kitabxanası və ya NVIDIA NIM kimi insanlar və agentlər üçün işləyir.

Fond modelləri artıq dil və görmə üçün oyun kitabını yenidən yazıblar. Bir müddət əvvəl istehsal NLP hər bir tapşırıq üçün xüsusi bir model demək idi, hər biri öz tokenizasiya, lemmatizasiya və n-qramlar boru kəməri ilə qidalanır. LLM-lər bu yığını üç səbəbə görə köhnəlmişdir: onlar ən yaxşı tapşırıq üçün xüsusi modellərdən daha dəqiq idilər, istehsala daha sadə idilər və agent tətbiqlərinin yeni dövrünü açmaq üçün kifayət qədər çevik idilər.

Bu gün daha yaxşı dəqiqlik: Düşən əvəzetmələr kimi, bu modellər artıq bir çox istehsal boru kəmərlərini, xüsusən də XGBoost-u məğlub etdi. RelBench V1 təsnifat tapşırıqlarında Kumo Relational, ekspertlər tərəfindən hazırlanmış xüsusiyyətlərdə gradient gücləndirilmiş ağacları orta hesabla təxminən 4 AUROC bal üstələyir. SAP SALT-da o, dizayn xüsusiyyətlərinə görə XGBoost-u qutudan kənarda 7 MRR nöqtəsi və dəqiq tənzimləmədən sonra 13 MRR nöqtəsi ilə üstələdi. Bu nəticələr istehsal XGBoost boru kəmərlərini Kumo Relational ilə əvəz etmək üçün inandırıcı bir vəziyyət yaradır.

Sadəlik və çeviklik: Əvvəlcədən hazırlanmış bir model fərdi tapşırıqlar üçün ayrı-ayrı boru kəmərlərini əvəz edir. Yeni proqnoz layihə əvəzinə sorğuya çevrilir, beləliklə, ML komandaları nəhayət, ənənəvi ML-nin təşkilatın hər səviyyəsində qurmaq üçün çox zəhmət tələb etdiyi istifadə hallarını götürə bilər.

Təxmin edə bilən agentlər: LLM-lər agentlərə oxumağa, yazmağa və düşünməyə imkan verir. Strukturlaşdırılmış məlumat bazası modelləri onlara bundan sonra nə baş verəcəyini, məsələn, hansı müştərinin çaşdırılacağını təxmin etməyə və ona uyğun hərəkət etməyə imkan verir. Kumo Relational artıq agentlər tərəfindən çağırılmaq üçün qurulub və onun Predictive Query Language (PQL) onlara proqnozlaşdırıcı suallar vermək üçün sadə interfeys təqdim edir.

Bu gün biz Kumo Relational (kağız, sənədləşdirmə), bu paradiqmanı əlaqəli məlumatlara gətirən əvvəlcədən hazırlanmış təməl modelini təqdim edirik. Verilənlər bazasını birləşdirin, nəyi proqnozlaşdırmaq lazım olduğunu təsvir edin və tək irəli keçiddə proqnozlar əldə edin. Təlim tələb olunmur.

Strukturlaşdırılmış verilənlər üçün əsas modellərin əksəriyyəti bir düz masa üzərində işləyir. Əvəzində real dünya məlumatları əlaqəli verilənlər bazalarında yaşayır: istifadəçilər məhsullarla əlaqəli sifarişlərə qoşulur, hamısı zamanla inkişaf edir. Bu əlaqələri əl ilə toplama (məsələn, "son 30 gündə orta sifariş dəyəri") vasitəsilə bir cərgədə düzəltmək incə dənəli struktur siqnallarını itirir və əhəmiyyətli insan səyi tələb edir.

Kumo Relational, cədvəllərinə, xarici açarlarına və vaxt ştamplarına hörmət edərək birbaşa verilənlər bazasında fəaliyyət göstərən Əlaqəli Əsas Modeldir. O, real dünya məlumat dəstlərini əks etdirən və kontekstdə öyrənmə yolu ilə hər bir yeni tapşırığa uyğunlaşan, nəticə çıxarma zamanı 10 000-ə qədər kontekst nümunəsini oxuyan sintetik relational data üzərində bir dəfə əvvəlcədən öyrədilir. Hər bir nümunə müəyyən bir anda obyekt ətrafında yerli alt qrafanı özünün əsas həqiqət hədəfi ilə cütləşdirir (məsələn, "bu istifadəçi çaşdırdı" və ya "bu element 142 ədəd satıldı").

Şəkil 1. Kumo Relational sisteminin icmalı. Verilənlər bazasını birləşdirin, proqnozlaşdırıcı sorğu təyin edin və Kumo Relational kontekst yaratmaqdan model nəticəsinə qədər qalan işləri idarə edir.

Şəkil 2. Kumo Relational arxitektura: (a) kontekstdə daxiletmə, (b) cədvəllər daxilində əsaslandırma, (c) cədvəllər arasında əsaslandırma.

Avtomatik Kontekst Yaradılması: Tapşırıqlar Predictive Query Language (PQL) - deklarativ interfeysdə yazılmışdır, burada siz necə deyil, nəyi proqnozlaşdıracağınızı bildirirsiniz. Müvəqqəti tapşırıqlar üçün Kumo Relational tarixi verilənlər bazası vəziyyətlərini təkrarlayır: o, lövbər zaman damğasına qədər obyekt mərkəzli alt qrafikləri seçir və hər bir hədəfi həmin vaxt damğasından sonrakı hadisələrdən hesablayır, eyni zamanda modelə yalnız ondan əvvəlki məlumatları təqdim edir. Bu, məlumat sızmasının qarşısını alır.

Cədvəllər daxilində mülahizə: Yüngül şəbəkə hər cədvəli müstəqil şəkildə emal edir, a sütununu dəyişir