NVIDIA Kumo Relational: Vorhersagen direkt auf Datenbanken, ohne Training

Worum es geht

NVIDIA Kumo Relational ist ein vortrainiertes Modell, das Vorhersagen direkt auf Unternehmensdatenbanken macht – etwa Kundenabwanderung, Nachfrage oder Betrug. Man beschreibt per Predictive Query (PQL), was vorhergesagt werden soll; das Modell liest bis zu 10.000 historische Beispiele als Kontext und liefert das Ergebnis in einem einzigen Forward Pass. Kein aufgabenspezifisches Training, kein Feature Engineering, kein Plattklopfen der Tabellen.

Wie es funktioniert

Die meisten Foundation Models für Tabellendaten erwarten eine flache Tabelle. Kumo arbeitet dagegen auf der relationalen Struktur selbst und berücksichtigt Tabellen, Fremdschlüssel und Zeitstempel. Vortrainiert wurde es einmalig auf synthetischen relationalen Daten; jedes Kontextbeispiel besteht aus einem lokalen Subgraphen um eine Entität zu einem Zeitpunkt samt bekanntem Ergebnis.

Zahlen laut NVIDIA

• 41 Aufgaben auf 15 Datenbanken: besser als überwachte Relational-Deep-Learning-Modelle und von Experten gebaute Gradient-Boosting-Pipelines
• RelBench V1 (Klassifikation): knapp 4 AUROC-Punkte vor Gradient Boosting auf handgebauten Features
• SAP SALT: +8 % MRR gegenüber AutoGluon-Ensembles, +7 MRR-Punkte gegenüber XGBoost out of the box, +13 nach Fine-Tuning
• Skaliert laut Angabe auf Datenbanken mit über 500 Mrd. Zeilen

Nutzung

Verfügbar über die Open-Source-Bibliothek für strukturierte Datenmodelle (GPU-nativ) oder als NVIDIA NIM. Das PQL-Interface ist bewusst so gebaut, dass auch LLM-Agenten Vorhersagen anfragen können. Alle Benchmark-Zahlen stammen vom Hersteller.