NVIDIA Kumo: KI-Modell prognostiziert direkt aus relationalen Datenbanken
💡 Quellen-Hinweis: Dieser Beitrag ist eine redaktionelle Zusammenfassung basierend auf einem Originalbericht von Hugging Face Blog.
NVIDIA stellt mit Kumo Relational ein vortrainiertes Modell für relationale Unternehmensdaten vor. Anders als klassische Machine-Learning-Pipelines soll es Prognosen direkt aus Datenbanken mit mehreren Tabellen ableiten – etwa für Abwanderung, Nachfrage oder Betrug. Dafür genügt laut Hersteller eine beschreibende Abfrage; aufgabenspezifisches Training, manuelles Feature Engineering und das Zusammenführen aller Daten in eine flache Tabelle sollen entfallen.
Kontext statt neuer Trainingslauf
Das Modell arbeitet mit In-Context Learning und nutzt für eine Anfrage bis zu 10.000 historische Beispiele. Es berücksichtigt Tabellen, Fremdschlüssel und Zeitstempel direkt. Eine deklarative Predictive Query Language beschreibt dabei, was vorhergesagt werden soll. Für zeitbezogene Aufgaben rekonstruiert das System frühere Datenstände und trennt Informationen vor und nach dem Prognosezeitpunkt, um Datenleckagen zu vermeiden.
Technisch kombiniert Kumo Relational Aufmerksamkeit innerhalb einzelner Tabellen mit Graph Attention über Tabellenbeziehungen hinweg. So sollen Zusammenhänge zwischen etwa Kunden, Bestellungen und Produkten erhalten bleiben, die bei manueller Aggregation verloren gehen können. Das Modell wurde auf synthetisch erzeugten relationalen Daten vortrainiert und kann bei Bedarf zusätzlich feinjustiert werden.
Benchmark-Ergebnisse mit Einschränkungen
NVIDIA berichtet Ergebnisse über 41 Aufgaben auf 15 Datenbanken. Gegenüber Expertensystemen mit Gradient-Boosted Trees und relationalen Deep-Learning-Modellen habe Kumo Relational im Mittel besser abgeschnitten; auf SAP SALT nennt der Beitrag einen Vorsprung von acht Prozent beim Mean Reciprocal Rank gegenüber AutoGluon-Ensembles. Diese Werte stammen aus der Herstellerveröffentlichung und ersetzen keine Prüfung auf den eigenen Daten.
Als Grenzen nennt NVIDIA sehr große Trainingsmengen, bei denen spezialisierte überwachte Modelle weiterhin im Vorteil sein können. Relevante Signale müssen zudem innerhalb weniger Beziehungsschritte erreichbar sein. Für Teams mit vielen wiederkehrenden Vorhersageaufgaben kann der Ansatz dennoch interessant sein: Er verlagert einen Teil der Modellierungsarbeit in die Datenabfrage und könnte neue Analysen schneller testbar machen.
Praktischer Einsatz
Verfügbar ist Kumo Relational über die GPU-orientierte Bibliothek structured-data-models sowie als NVIDIA NIM. Die Bibliothek lädt Gewichte beim ersten Einsatz und unterstützt auch Client-Workflows für Notebooks und Datenplattformen. Vor einer Produktivnutzung bleiben Datenschutz, Datenqualität, Lizenzbedingungen und belastbare Tests gegen bestehende Verfahren zentrale Prüfpunkte.
Originalquelle: Hugging Face Blog – NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required
