उपकरण समीक्षाएँ

NVIDIA Kumo Relational ने प्रशिक्षण की आवश्यकता के बिना संबंधपरक डेटा पर machine learning को मात दी।

NVIDIA Kumo Relational एक पूर्व प्रशिक्षित मॉडल है जो कार्य-विशिष्ट प्रशिक्षण के बिना संदर्भ उदाहरणों का उपयोग करके डेटाबेस परिणामों की भविष्यवाणी करता है।

NVIDIA Kumo Relational ने प्रशिक्षण की आवश्यकता के बिना संबंधपरक डेटा पर machine learning को मात दी।

मुख्य जानकारी

  • NVIDIA Kumo Relational एक पूर्व प्रशिक्षित रिलेशनल foundation model है जो कार्य-विशिष्ट प्रशिक्षण या सुविधा इंजीनियरिंग के बिना सीधे डेटाबेस से चर्न, मांग और धोखाधड़ी जैसे परिणामों की भविष्यवाणी करता है।
  • यह अनुमान समय पर 10,000 ऐतिहासिक संदर्भ उदाहरणों का उपयोग करता है और एक ही आगे के पास में भविष्यवाणियां लौटाता है, जो नए डेटाबेस कार्यों पर तेजी से कुछ शॉट पूर्वानुमान को सक्षम बनाता है।
  • Kumo Relational डेटा को समतल करने के बजाय टेबल, विदेशी कुंजी और टाइमस्टैम्प जैसी देशी रिलेशनल संरचनाओं के साथ काम करता है, जटिल संबंधों को संरक्षित करता है और मैन्युअल प्रीप्रोसेसिंग को कम करता है।
  • 15 रिलेशनल डेटाबेस पर 41 कार्यों में, यह deep learning और एक्सपर्ट-इंजीनियर XGBoost पाइपलाइनों सहित पर्यवेक्षित मॉडलों से बेहतर प्रदर्शन करता है।

मेटा विवरण: NVIDIA Kumo Relational कार्य-विशिष्ट प्रशिक्षण के बिना, 10,000 संदर्भ उदाहरणों का उपयोग करते हुए चर्न, मांग और धोखाधड़ी जैसे डेटाबेस परिणामों की भविष्यवाणी करता है।

 NVIDIA Kumo Relational outperforms supervised machine learning on relational data without requiring training.

टैग: NVIDIA Kumo Relational, संरचित डाटा foundation model, पूर्वानुमान डेटाबेस, संबंधपरक deep learning, ऑटोग्लून

चित्र: रिलेशनल डेटाबेस ग्राफ, GPU, और भविष्य कहनेवाला क्वेरी इंटरफेस का अमूर्त अनुकूल चित्रण; कोई वास्तविक लोग नहीं हैं, कोई लोगो नहीं है, कोई पाठ नहीं है।

यह एंटरप्राइज़ मशीन-लर्निंग टीमों, डेटाबेस डेवलपर्स और एजेंट बिल्डरों के लिए है: NVIDIA ने Kumo Relational पेश किया, एक पूर्व-प्रशिक्षित संबंधपरक foundation model जो रिलेशनल डेटाबेस से सीधे चर्न, मांग या धोखाधड़ी जैसे परिणामों की भविष्यवाणी करता है। यह 10,000 ऐतिहासिक उदाहरणों को संदर्भ के रूप में इकट्ठा करता है और बिना किसी कार्य-विशिष्ट प्रशिक्षण, फीचर इंजीनियरिंग या समतल तालिकाओं के भविष्यवाणियों को एक ही आगे पारित कर देता है। NVIDIA का कहना है कि मॉडल आज उपलब्ध है, इसके कागज पर https://arxiv.org/abs/2604.12596 और प्रलेखन में https://docs.nvidia.com/sdgm/rfm/overview।

क्यों संरचित डेटा अब नींव-मॉडल पथ है

फाउंडेशन मॉडल ने एक पूर्व प्रशिक्षित प्रणाली के साथ कई कार्य-विशिष्ट पाइपलाइनों को प्रतिस्थापित करके भाषा और दृष्टि बदल दी। उत्पादन natural language processing का मतलब एक बार प्रत्येक कार्य के लिए अलग-अलग मॉडल था, जो टोकनीकरण, लेमेटाइजेशन और एन-ग्राम द्वारा समर्थित है। LLMs ने उस स्टैक को विस्थापित कर दिया क्योंकि उन्होंने कई समर्पित मॉडलों से बेहतर प्रदर्शन किया, तैनाती को सरल बनाया और एजेंटों को अधिक करने की अनुमति दी। NVIDIA फ्रेम Kumo Relational संरचित डेटा के लिए एक ही बदलाव के रूप मेंः संबंधपरक डेटाबेस महत्वपूर्ण व्यावसायिक निर्णयों का समर्थन करते हैं, फिर भी पारंपरिक भविष्यवाणी अभी भी सुविधा इंजीनियरिंग, कार्य-विशिष्ट प्रशिक्षण और ट्यून पाइपलाइन के हफ्तों की आवश्यकता है।

Kumo Relational को कॉमन रिलेशनल बेंचमार्क पर पर्यवेक्षित machine learning से बेहतर प्रदर्शन करने वाले पहले कुछ शॉट foundation model के रूप में वर्णित किया गया है। 15 डेटाबेस पर 41 कार्यों में, यह पर्यवेक्षित संबंधपरक deep learning मॉडलों और विशेषज्ञ-इंजीनियर ग्रेडिएंट बूस्ट ट्री पाइपलाइनों को हराता है। SAP SALT एंटरप्राइज बेंचमार्क पर, यह औसतन पारस्परिक रैंक में ऑटोग्लून एसेम्ब्ल्स को 8% से पीछे छोड़ देता है। यह 500 अरब से अधिक पंक्तियों के साथ डेटाबेस को स्केल करता है और NVIDIA के open-source, GPU -देशी संरचित-डेटा मॉडल लाइब्रेरी या NVIDIA NIM के माध्यम से मनुष्यों और एजेंटों द्वारा उपयोग किया जा सकता है।

व्यावहारिक प्रभाव यह है कि एक नया डेटाबेस पूर्वानुमान एक अलग परियोजना के बजाय क्वेरी बन सकता है। एक पूर्व प्रशिक्षित मॉडल अलग-अलग पाइपलाइनों की जगह लेता है जो पारंपरिक ML टीमें व्यक्तिगत कार्यों के लिए उपयोग करती हैं, इसलिए ML टीमें उन उपयोग मामलों को ले सकती हैं जिन्हें पहले की पाइपलाइंस ने संगठन के हर स्तर पर बहुत श्रमसाध्य बना दिया था। LLMs एजेंटों को पढ़ने, लिखने और तर्क करने की अनुमति देता है; Kumo Relational उन्हें परिणामों का अनुमान लगाने का एक तरीका देता है, जैसे कि कौन सा ग्राहक चूर होगा, और फिर कार्य करेगा।

यह कैसे एक फ्लैट तालिका के बजाय संबंधपरक डेटाबेस पढ़ता है

बहुत सारे संरचित डेटा फाउंडेशन मॉडल एक समतल तालिका से शुरू होते हैं। एंटरप्राइज डेटा आमतौर पर लिंक्ड टेबल-उपयोगकर्ता, ऑर्डर, उत्पाद और टाइमस्टैम्प्स में फैला होता है जो एक साथ विकसित होते हैं। पिछले 30 दिनों में औसत आदेश मूल्य जैसे मैन्युअल एकत्रीकरण के माध्यम से उन रिश्तों को एकल पंक्ति में ढहाना, ठीक दानेदार संरचनात्मक संकेतों को हटा सकता है और महत्वपूर्ण मानव प्रयास की आवश्यकता होती है।

 NVIDIA Kumo Relational outperforms supervised machine learning on relational data without requiring training.

Kumo Relational डेटाबेस संरचना पर रहता है, तालिकाओं, विदेशी कुंजी और टाइमस्टैम्प का उपयोग करके पंक्तियों को एक फ्लैट रूप में मजबूर करने के बजाय। यह वास्तविक दुनिया datasets को प्रतिबिंबित करने के लिए डिज़ाइन किए गए सिंथेटिक संबंधपरक डेटा पर पूर्व-प्रशिक्षित होता है, फिर संदर्भ सीखने के माध्यम से प्रत्येक कार्य के अनुकूल हो जाता है, अनुमान समय पर 10,000 संदर्भ उदाहरणों तक पढ़ता है। प्रत्येक संदर्भ उदाहरण किसी ज्ञात लक्ष्य के साथ समय में एक बिंदु पर एक इकाई के आसपास स्थानीय उपग्राफ जोड़ता है, जैसे कि एक उपयोगकर्ता जिसने चर्न किया या 142 इकाइयों को बेचने वाली वस्तु।

पूर्वानुमान पथ में तीन कार्य होते हैंः प्रत्येक तालिका के भीतर मानों को समझना, तालिकाओं में रिकॉर्ड्स से संबंधित होना और ज्ञात संदर्भ उदाहरणों को भविष्यवाणी की जा रही इकाई से जोड़ना। समय-संवेदनशील कार्यों के लिए, उपयोगकर्ता Predictive Query Language में एक भविष्य कहनेवाला प्रश्न लिखते हैं, यह घोषणा करते हुए कि कैसे नहीं बल्कि क्या अनुमान लगाया जाना चाहिए। प्रणाली पिछले डेटाबेस राज्यों का पुनर्निर्माण करती हैः संदर्भ उपग्राफ को एंकर टाइमस्टैम्प पर काट दिया जाता है, लक्ष्य बाद की घटनाओं से प्राप्त होता है, और मॉडल केवल पहले के आंकड़ों को देखता है। यह रिसाव बंद कर देता है।

तालिका के भीतर, मॉडल एक हल्के नेटवर्क का उपयोग करता है जो स्तंभ ध्यान और पंक्ति ध्यान के बीच स्विच करता है, सीखता है कि कौन से कॉलम और पंक्तियां मायने रखती हैं और प्रसारित होने से पहले शोर को दबा देती हैं। तालिकाओं में, एक बड़ा नेटवर्क ग्राफ ध्यान का उपयोग करके प्राथमिक-कुंजी और विदेशी कुंजी लिंक के साथ पंक्ति embeddings भेजता है, जबकि क्रॉस-नमूना ध्यान इकाई की ज्ञात उदाहरणों से तुलना करता है। यह वह जगह है जहां संबंधपरक तर्क होता है, जैसे कि लेनदेन इतिहास के लिए एक उपयोगकर्ता की प्रोफ़ाइल को जोड़ना। चूंकि क्रॉस-टेबल चरण प्रत्येक कक्ष के बजाय पंक्ति embeddings का उपयोग करता है, इसलिए डिजाइन वर्ग लागत से बचा जाता है और बड़े संदर्भों और गहरे उपग्राफ में स्केल कर सकता है।

बेंचमार्क साक्ष्यः सटीकता, गति और मजबूती

इस पेपर में RelBench V1, RelBench V2, SAP SALT और 4DBInfer से 15 रिलेशनल डेटाबेस के 41 बेंचमार्क पर Kumo Relational का मूल्यांकन किया गया है। datasets में मेडिकल, एंटरप्राइज, सोशल और अकादमिक डोमेन शामिल हैं और कोई भी पूर्व प्रशिक्षण के दौरान नहीं देखा गया था। मॉडल वर्गीकरण और प्रतिगमन में सबसे मजबूत पर्यवेक्षित मॉडलों से बेहतर प्रदर्शन करता है, जिसमें संबंधपरक deep learning मॉडल और विशेषज्ञ-इंजीनियर तालिकाबद्ध समूह शामिल हैं।

RelBench V1 वर्गीकरण कार्यों में, विशेषज्ञ-इंजीनियर सुविधाओं का उपयोग करने वाले ग्रेडिएंट बूस्ट किए गए पेड़ों को रिसीवर ऑपरेटिंग विशेषता वक्र के तहत क्षेत्र में औसतन लगभग 4 अंकों से बेहतर प्रदर्शन करता है। SAP SALT पर, यह इंजीनियर सुविधाओं पर XGBoost को 7 अंकों से औसत पारस्परिक रैंक में और fine-tuning के बाद 13 अंक से हराता है। ये परिणाम इसे उत्पादन XGBoost पाइपलाइनों के लिए एक संभावित प्रतिस्थापन के रूप में स्थान देते हैं।

RelBench V1 के लिए RelArena-α लीडरबोर्ड पर, Kumo Relational बॉक्स से बाहर सटीकता-दक्षता पारेटो फ्रंट पर बैठता है। लीडरबोर्ड एक लॉगरिदमिक पैमाने पर 1,000 नमूनों प्रति औसत अनुमान समय के खिलाफ कार्यों में एलो के रूप में सापेक्ष सटीकता को रेखांकित करता है। Kumo Relational लगभग 17 सेकंड और ईएलओ 1,842 पर दिखाई देता है। सबसे अधिक स्कोर करने वाली प्रविष्टि, आरटी-प्लुरल लगभग 7,300 सेकंड में ईलो 1,878 तक पहुंचती है, जो लगभग 430 गुना धीमी होती है। प्रत्येक अन्य foundation model, फीचर-इंजीनियरिंग सिस्टम, और पर्यवेक्षित मॉडल Kumo Relational की तुलना में कम स्कोर करते हैं और धीमी गति से चलते हैं।

SAP SALT के परिणामों से यह भी पता चलता है कि Kumo Relational औसत पारस्परिक रैंक में बड़े ऑटोग्लून समूहों को 8% और हालिया सारणीबद्ध नींव मॉडल को लगभग 25% तक पीछे छोड़ देता है; fine-tuning ऑटोग्लून पर बढ़त बढ़ाकर 16% कर देता है। training data में से 0.2% को संदर्भ के रूप में उपयोग करने के साथ मॉडल उपयोगी रहता है, जब विदेशी-कुंजी लिंक का 75% तक हटा दिया जाता है तो स्थिर रहता है और कई शोर वाले कॉलम जोड़े जाने पर मुश्किल से बिगड़ता है।

training data और जो अनिश्चित रहता है

Kumo Relational पूरी तरह से सिंथेटिक रिलेशनल डेटा के साथ विविध भविष्य कहनेवाला प्रश्नों पर पूर्व-प्रशिक्षित है। विविध सार्वजनिक संबंधपरक डेटाबेस दुर्लभ हैं, इसलिए सिंथेटिक पीढ़ी अंतराल को भर देती है। पूर्व-प्रशिक्षण चरणों में चलता है, एकल तालिकाओं से लेकर अधिक जटिल संबंध संरचनाओं तक।

 NVIDIA Kumo Relational outperforms supervised machine learning on relational data without requiring training.

जनरेटर PluRel पर बनाता है, कोथपल्ली और अन्य द्वारा International Conference में प्रस्तुत एक विधि Machine Learning 2026, जो पूर्ण संबंधपरक डेटाबेस के लिए एकल-तालिका डेटा जेनरेटर का विस्तार करता है। कुमो टीम के सदस्यों ने प्लुरेल विकसित करने में मदद की और इसके मूल पेपर के सह-लेखक थे। प्लुरल वास्तविक डेटा की तरह क्लस्टर वाली पंक्तियों के बीच स्कीमा, विदेशी-कुंजी लिंक और कालानुक्रमिक रुझानों और क्रॉस-टेबल निर्भरताओं वाले Structural Causal Models से कॉलम मान बनाते हैं।

चूंकि उत्पादन हल्का है, पूर्व- training data प्रभावी रूप से असीमित है। PluRel पेपर रिपोर्ट करता है कि पूर्व-प्रशिक्षण हानि एक शक्ति कानून का पालन करती है क्योंकि सिंथेटिक डेटाबेस जोड़े जाते हैं, और उन लाभों को वास्तविक डेटाबेस में स्थानांतरित किया जाता है। इस प्रक्रिया के माध्यम से, Kumo Relational निश्चित संचयनों पर भरोसा करने के बजाय तालिकाओं में जानकारी को फ़िल्टर करना, सहसंबंधित करना और एकत्र करना सीखता है। जब अधिकतम सटीकता मायने रखती है, तो इसे एक विशिष्ट dataset और कार्य पर भी ठीक किया जा सकता है।

सीमाएं संकीर्ण लेकिन व्यावहारिक हैं। मॉडल सबसे अच्छा प्रदर्शन करता है जब डेटा में सार्थक संबंध और सामयिक गतिशीलता होती है, जैसे कि समय के साथ उपयोगकर्ता व्यवहार। बहुत बड़े प्रशिक्षण सेट के साथ कार्यों पर, कार्य-विशिष्ट पर्यवेक्षित मॉडल अभी भी संदर्भ में भविष्यवाणियों को बाहर कर सकते हैं जो बेंचमार्क में अधिकतम 10,000 संदर्भ उदाहरणों का उपयोग करते हैं। fine-tuning उस मामले के लिए इरादा है। भविष्य कहनेवाला संकेतों को भी सीमित संख्या में हॉप्स के भीतर पहुँचने की आवश्यकता होती है, इसलिए उपयोगकर्ताओं को कुछ प्रासंगिक तालिकाओं पर केंद्रित क्वेरी से शुरू करना चाहिए और आवश्यकतानुसार ग्राफ का विस्तार करना चाहिए।

तैनाती, लाइसेंसिंग और किसको इसका उपयोग करना चाहिए या इसे छोड़ देना चाहिए

Kumo Relational इन-कॉन्टेक्स्ट लर्निंग को सीधे डेटाबेस पर चलाता हैः मेमोरी में, डाटाबेस और वेयरहाउस कनेक्टर्स के माध्यम से, या एक कस्टम ग्राफ इंजन के जरिए जो 500 बिलियन से अधिक पंक्तियों को मैप किए गए इनपुट/आउटपुट द्वारा 5 GB / सेकंड तक संभालती है। यह NVIDIA के नए जारी किए गए GPU -मूल संरचित-डेटा मॉडल पुस्तकालय में उपलब्ध है, वही open-source लाइब्रेरी जो Kumo Tabular को शक्ति देती है। पुस्तकालय पहले उपयोग पर Hugging Face Hub से वजन डाउनलोड करता है, ताकि उपयोगकर्ता GPU -समर्थित नोटबुक में मॉडल लोड कर सकें और अपने स्वयं के डेटा पर भविष्यवाणियां करना शुरू कर सकें। पुस्तकालय में, पूर्वानुमान कॉल संदर्भ उदाहरणों को पारित करता है, भविष्यवाणी करने के लिए संस्थाएं और उनके संबंधित तालिकाएँ मॉडल पर। लाइब्रेरी के रिलेशनल उदाहरणों में प्रत्येक इकाई की संबंधित तालिकाओं का नमूना लेने सहित पूर्ण RelBench और SAP SALT पाइपलाइन शामिल हैं।

एक अलग सेवा के लिए, टीमें NVIDIA NIM के रूप में मॉडल को तैनात कर सकती हैं और नोटबुक से open-source संरचित-डेटा-मॉडल-ग्राहक की ओर इशारा करती हैं। उपयोगकर्ता Predictive Query Language में भविष्यवाणी लिखता है, फिर क्लाइंट अनुरोध भेजने से पहले संदर्भ उदाहरण और संबंधित तालिकाओं को इकट्ठा करता है। उदाहरण नोटबुक स्थानीय NVIDIA NIM और डेटाब्रिक्स पर एंड-टू-एंड रन दिखाते हैं। मॉडल आज कागज, प्रलेखन और एक त्वरित प्रारंभ नोटबुक के माध्यम से उपलब्ध है।

NVIDIA का कहना है कि Trustworthy AI एक साझा जिम्मेदारी है और इसने AI अनुप्रयोगों की विस्तृत श्रृंखला के लिए विकास को सक्षम करने के लिए नीतियां और प्रथाएं स्थापित की हैं; जब इसके तहत डाउनलोड या उपयोग किया जाता है, तो डेवलपर्स को अपनी सहायक मॉडल टीम के साथ काम करना चाहिए। कोड अपाचे 2.0 लाइसेंस के तहत जारी किया गया है और मॉडल ओपनएमडीडब्ल्यू License Agreement, संस्करण 1.1 के तहत वजन करता है।

इसका उपयोग किसको करना चाहिए: रिलेशनल डेटाबेस और समय-परिवर्ती संस्थाओं वाले संगठन जो अलग पाइपलाइनों के निर्माण के बिना कई भविष्य कहनेवाला कार्य चाहते हैं, साथ ही एजेंट बिल्डर जिन्हें पूर्वानुमान प्रश्न पूछने का एक संरचित तरीका चाहिए। कौन इसे छोड़ना चाहिए: समस्याएं जो केवल फ्लैट टेबल हैं, बहुत बड़े प्रशिक्षण सेटों के साथ कार्यभार जहां टास्क-विशिष्ट पर्यवेक्षित मॉडल अभी भी जीत सकते हैं, और क्वेरीज जहां आवश्यक सिग्नल ग्राफ में सीमित संख्या में हॉप्स तक पहुंचने के लिए बहुत दूर हैं।

Comments (0)

  1. No comments yet. Be the first to share what worked for you.

Leave a comment

Comments are reviewed before they appear. Your email address is not published.