NVIDIA Kumo Relational, eğitim gerektirmeden denetimli makine öğrenmesini geride bırakıyorNVIDIA Kumo Relational outperforms supervised machine learning without requiring training

ÖzetSummary

NVIDIA Kumo Relational, en fazla 10.000 geçmiş örnek üzerinden bağlam içi öğrenme ile çok tabanlı veritabanlarında doğrudan sonuçları (müşteri kaybı, talep, dolandırıcılık) tahmin eden, önceden eğitilmiş bir ilişkisel temel modeldir. Şirket, modelin 15 veritabanındaki 41 görevde XGBoost ve gradyan yükseltmeli (gradient-boosted) boru hatlarını, herhangi bir görev özelinde eğitim yapmadan geride bıraktığını iddia ediyor.NVIDIA Kumo Relational is a pre-trained relational foundation model that predicts direct outcomes (such as customer churn, demand, and fraud) in multi-table databases using in-context learning over up to 10,000 historical examples. The company claims the model outperforms XGBoost and gradient-boosted pipelines across 41 tasks in 15 databases without any task-specific training.

Neden ÖnemliWhy it matters

İddialar doğruysa, haftalar süren özellik mühendisliği, boru hattı ayarı ve görev başına model eğitimi tek bir ileri geçişe (forward pass) indirgeniyor. Bu durum, yapılandırılmış verilerde makine öğrenmesinin önündeki engeli büyük ölçüde düşürüyor. Ayrıca model, Tahmine Yönelik Sorgu Dili (Predictive Query Language) sayesinde ilişkisel tahmini yapay zeka ajanları için çağrılabilir bir yetenek hâline getiriyor. Böylece 'her şey için LLM' paradigması, hâlâ kurumsal kararların çoğunu yönlendiren tabular verilere de uzanıyor. 500 milyar satırın üzerindeki ölçeklenebilirlik iddiası gerçekse, geleneksel makine öğrenmesi boru hatlarının en zor bakımlanan olduğu en büyük üretim veritabanları için modelin önemi artıyor.If the claims hold true, weeks of feature engineering, pipeline tuning, and per-model training are reduced to a single forward pass. This significantly lowers the barrier to machine learning for structured data. Additionally, the model makes relational prediction a callable capability for AI agents via Predictive Query Language. This extends the 'LLM for everything' paradigm to tabular data, which still drives most enterprise decisions. If the scalability claim of over 500 billion rows is accurate, the model becomes increasingly important for the largest production databases, where traditional machine learning pipelines are hardest to maintain.

Öne ÇıkanlarHighlights

• Görev özelinde sıfır eğitimle XGBoost'u yaklaşık 4 AUROC puan (RelBench V1) ve 7–13 MRR puan (SAP SALT) geride bırakıyorOutperforms XGBoost by approximately 4 AUROC points (RelBench V1) and 7–13 MRR points (SAP SALT) with zero task-specific training
• Mimari, tablo içi sütun/satır dikkat mekanizması ile birincil/yan anahtar (PK/FK) bağlantıları üzerinden grafik dikkat mekanizması kullanıyor; bu sayede büyük bağlamlarda kare büyüyen maliyetten kaçınılıyorThe architecture uses column/row attention mechanisms within tables and graph attention mechanisms via primary/foreign key (PK/FK) connections; this avoids quadratic cost scaling in large contexts
• Tamamen sentetik ilişkisel veriler üzerinde önceden eğitiliyor; görev başına uyarlama, zaman sızıntısını önleyerek örneklenen en fazla 10.000 bağlam içi örnek üzerinden yapılıyorPre-trained entirely on synthetic relational data; per-task adaptation is done via up to 10,000 sampled in-context examples, preventing time leakage

EleştiriCritical take

Bu, açık bir pazarlama akışına sahip, satıcı tarafından kaleme alınmış bir blog yazısıdır. 'Gözetimli makine öğrenmesini geride bırakıyor' başlığı, en titizlikle ayarlanmış üretim ensemblesini karşılaştırma setinden dışarıda bırakan ve yalnızca mütevazı farklara (4 AUROC, 7 MRR) dayanan bir iddiadır. Ayrıca makale, belirtilen 'Sınırlılıklar' bölümünden önce kesildiği için başarısızlık modlarını, çıkarım gecikmesini ve 10.000 temiz bağlam örneğini derlemenin gerçek maliyetini değerlendiremiyoruz. Bu gereksinimler, modelin ortadan kaldırmayı vaat ettiği veri mühendisliği işinin önemli bir kısmını sessizce geri getiriyor.This is a vendor-written blog post with a clear marketing flow. The headline 'Outperforming Supervised Machine Learning' relies on modest differences (4 AUROC, 7 MRR) while excluding the most rigorously tuned production ensembles from the comparison set. Furthermore, because the article cuts off before the stated 'Limitations' section, we cannot evaluate failure modes, inference latency, or the real cost of compiling 10,000 clean context examples. These requirements quietly reintroduce a significant portion of the data engineering work the model claims to eliminate.