Kumo Relational: один запрос к БД вместо недель фичеинжиниринга

NVIDIA показала Kumo Relational , предобученную модель для прогнозов по связанным таблицам в живой базе: отток, спрос, мошенничество. Отдельное обучение под задачу, ручные агрегаты и «сплющивание» схемы в одну строку не нужны. На 41 задаче и 15 базах из RelBench она обходит сильные supervised-пайплайны; на корпоративном бенчмарке SAP SALT , на 8% выше AutoGluon по mean reciprocal rank. Запрос вместо пайплайна Что предсказать, задаёте в Predictive Query Language , декларативно, без недель фичеинжиниринга. Модель подтягивает до 10 000 исторических примеров: локальный подграф вокруг сущности в момент времени плюс известный исход, затем один проход inference. Для временных сценариев снимки базы переигрываются до якорной даты, а цель считается только по событиям после неё, чтобы будущее не попало в контекст. Связи между таблицами учитываются напрямую , без заранее выдуманного «среднего чека за 30 дней». На RelBench V1 по классификации авторы заявляют почти 4 пункта AUROC в среднем против gradient-boosted trees на экспертных фичах. Установка и вызов Модель позиционируют как вызываемую из агентских сценариев: к PQL можно подойти с естественным языком через prompting interface в блоге. Веса , через open-source библиотеку structured-data-models (Hugging Face Hub при первом запуске) или как сервис NVIDIA NIM; заявлен масштаб до 500B+ строк. # pip install structured-data-models import sdm model = sdm.models.KumoRelational(device="cuda") pred = model( x_context=..., y_context=..., x_query=..., related_context_tables=..., related_query_tables=..., ) На лидерборде RelArena-α Kumo Relational на фронте точность и скорость: около 17 секунд на 1000 сэмплов против порядка 7300 у ближайшего по Elo конкурента , разрыв около 430×. На очень больших обучающих выборках task-specific модели ещё могут выигрывать; для этого предусмотрен fine-tuning. Источник: NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required .