NVIDIA Kumo Relational, Eğitim Gerektirmeden Relasyonel Verilerde Gözetimli Öğrenmeyi Aşıyor
NVIDIA, Kumo Relational adlı önceden eğitilmiş bir ilişkiselli temel modeli tanıttı. Model, bir tahmin sorgusu verildiğinde veritabanından 10.000'e kadar tarihsel örnek toplayarak tek bir ileri geçişte churn, talep ya da dolandırıcılık gibi sonuçları tahmin ediyor; hiçbir görev‑özel eğitim, özellik mühendisliği ya da tablo düzleştirme gerektirmiyor.
Özetle
- 1
Kumo Relational, tek bir ön‑eğitilmiş modelle ilişkisel veritabanlarından doğrudan tahmin yaparak görev‑özel eğitim ve özellik mühendisliğine ihtiyaç duymuyor.
- 2
SAP SALT benchmarkında AutoGluon toplulukları üzerine %8 MRR iyileştirmesi ve XGBoost karşısında %7‑%13 MRR farkı elde ederek tabular ML’deki klasik yaklaşımları geride bırakıyor.
- 3
RelArena‑α liderlik tablosunda 1.842 Elo puan ve 17 saniye inferans süresiyle en yüksek doğruluk‑verimlilik dengesini yakaladı; rakibi 430 kat daha yavaş çalışıyor.
Kumo Relational, ilişkisel veritabanları üzerinde doğrudan çalışan bir temel model olarak tasarlandı. Geleneksel tabular makine öğreniminde veri tabanlarını tek bir düz tabloya indirgemek, önemli yapısal sinyallerin kaybolmasına ve yoğun insan çabasına yol açıyor. Model, veritabanının tablolarını, yabancı anahtarlarını ve zaman damgalarını koruyarak, her bir varlık için tarihsel alt‑grafik örneklerini bağlam olarak kullanıyor ve bu bağlamı modelin girişine ekliyor. Bu sayede, bir tahmin sorgusu sadece bir PQL (Predictive Query Language) ifadesiyle verildiğinde, model hem tablo içi hem de tablo arası ilişkileri dikkat mekanizmalarıyla işleyerek sonuç üretiyor.
Modelin mimarisi üç aşamadan oluşuyor: (1) tablo içi dikkat, sütun ve satır düzeyinde değerleri ilişkilendiriyor; (2) grafik dikkat, birincil‑anahtar/yabancı‑anahtar ilişkileri üzerinden satır gömmelerini yayarak tablo arası bağlamı kuruyor; (3) örnekler arası çapraz‑dikkat, bağlam örneklerini hedef varlıkla eşleştiriyor. Bu tasarım, hücre‑düzeyinde karekök maliyetini önleyerek 500 milyar satırdan fazla büyük veri setlerine ölçeklenebilirlik sağlıyor.
Kumo Relational, tamamen sentetik ilişkisel veri setleriyle ön‑eğitildi; bu veriler PluRel adlı bir sentezleyiciyle oluşturulup şema, yabancı‑anahtar bağlantıları ve yapısal nedensel modelleri içeriyor. Sentetik veri sayesinde ön‑eğitim sınırsızdır ve eklenen veritabanı sayısı arttıkça kayıp fonksiyonu bir güç‑kanunu izleyerek gerçek veri setlerine transfer edilebilir performans kazancı sağlıyor. Model, gerektiğinde belirli bir veri seti ve görev üzerinde ince ayar (fine‑tuning) yapılabilmesine de imkan tanıyor.
Performans testlerinde Kumo Relational, 15 veritabanı üzerindeki 41 görevi kapsayan RelBench V1/V2, SAP SALT ve 4DBInfer benchmarklarında gözetimli derin öğrenme modelleri ve uzman‑mühendislikli gradient‑boosted ağaç (XGBoost) boru hatlarını geride bıraktı. Özellikle SAP SALT benchmarkunda AutoGluon toplulukları üzerine %8 MRR artışı sağlarken, XGBoost karşısında sırasıyla %7 ve %13 MRR puan farkı elde etti. RelArena‑α liderlik tablosunda ise 1.842 Elo puan ve 1.000 örnek başına ortalama 17 saniye inferans süresiyle en iyi doğruluk‑verimlilik dengesini (Pareto ön ucu) yakaladı, en yüksek puanlı rakibi rt‑plurel ise aynı doğrulukta 7.300 saniye harcayarak yaklaşık 430 kat daha yavaştı.
Yöney yorumu
Kumo Relational, veri mühendisliği sürecini büyük ölçüde basitleştirerek ML ekiplerinin daha hızlı ve düşük maliyetli çözümler üretmesini mümkün kılıyor; aynı zamanda yüksek doğruluk vaat ettiği için büyük ölçekli kurumsal uygulamalarda benimsenmesi bekleniyor.
Haberdeki skorlar
Bu skorların kaynak metinde birebir geçtiği doğrulandı. Bilinen testlerin sonuçları Benchmark sıralamalarına da eklenir.
- Kumo RelationalSAP SALT · mean reciprocal rank (MRR) improvement over AutoGluon ensembles%8
- Kumo RelationalRelBench V1 classification · average improvement over gradient-boosted trees4 AUROC points
- Kumo RelationalSAP SALT (out-of-the-box) · out-of-the-box vs XGBoost7 MRR points
- Kumo RelationalSAP SALT (fine-tuned) · after fine-tuning vs XGBoost13 MRR points
Bu haber Hugging Face kaynağından derlenip Türkçeye aktarıldı. Ayrıntılar ve orijinal metin için oka tıklayın.
