NVIDIA Kumo Relational: نقلة نوعية في النمذجة التنبؤية لقواعد البيانات العلائقية

كشفت NVIDIA عن Kumo Relational، وهو نموذج أساسي علائقي مدرب مسبقًا مصمم لإجراء تنبؤات مباشرة على قواعد بيانات المؤسسات. يمكن لهذا النموذج جمع ما يصل إلى 10,000 مثال تاريخي كسياق للتنبؤ بنتائج مثل التسرب أو الطلب أو الاحتيال في تمريرة أمامية واحدة، مما يلغي الحاجة إلى تدريب خاص بمهمة معينة وهندسة الميزات.

يُعد Kumo Relational أول نموذج أساسي قليل العينات يتفوق على التعلم الآلي الخاضع للإشراف في المعايير العلائقية الشائعة. فهو يتجاوز نماذج التعلم العميق العلائقي الخاضعة للإشراف وخطوط أنابيب الأشجار المعززة بالتدرج المهندسة من الخبراء عبر 41 مهمة على 15 قاعدة بيانات. وعلى وجه الخصوص، في معيار SAP SALT للمؤسسات، يتجاوز تجميعات AutoGluon بنسبة 8% في متوسط الرتبة المتبادلة (MRR). النموذج قادر على التوسع ليشمل قواعد بيانات تضم أكثر من 500 مليار صف، ويمكن استخدامه من قبل البشر والوكلاء على حد سواء عبر مكتبة NVIDIA مفتوحة المصدر والناشئة على GPU لنماذج البيانات المهيكلة أو كـ NVIDIA NIM.

التحول إلى نماذج الأساس للبيانات المهيكلة

غيّرت نماذج الأساس مشهد معالجة اللغة الطبيعية (NLP) والرؤية الحاسوبية. في السابق، كانت معالجة اللغة الطبيعية الإنتاجية تتضمن نماذج مخصصة لكل مهمة، مما يتطلب خطوط أنابيب واسعة للتقطيع وهندسة الميزات. جعلت النماذج اللغوية الكبيرة (LLMs) هذه العمليات عتيقة إلى حد كبير بفضل دقتها الفائقة وبساطتها ومرونتها.

يحدث تحول مماثل للبيانات المهيكلة. قواعد البيانات العلائقية حاسمة لاتخاذ القرارات التجارية، ومع ذلك فإن النمذجة التنبؤية عليها تتطلب عادةً هندسة ميزات واسعة وتدريبًا خاصًا بمهمة معينة. تعالج نماذج الأساس للبيانات المهيكلة مثل Kumo Relational هذه التحديات من خلال توفير دقة أفضل وبساطة وقدرة الوكلاء على التنبؤ بالنتائج.

كيف يعمل Kumo Relational

يعمل Kumo Relational مباشرة على قواعد البيانات العلائقية، مع الحفاظ على جداولها ومفاتيحها الأجنبية وطوابعها الزمنية. على عكس معظم نماذج الأساس التي تعمل على جداول مسطحة، يحترم Kumo Relational البنية الكامنة للبيانات العلائقية. تم تدريبه مسبقًا على بيانات علائقية اصطناعية تحاكي مجموعات البيانات الواقعية ويتكيف مع المهام الجديدة من خلال التعلم في السياق.

لإجراء التنبؤات، يجب أن يفهم Kumo Relational القيم داخل كل جدول، ويربط السجلات عبر الجداول، ويربط أمثلة السياق بالأهداف المعروفة. يستخدم لغة استعلام تنبؤية (PQL) لتعريف المهام بشكل تعريفي، مما يسمح للمستخدمين بتحديد ما يجب التنبؤ به دون تفصيل كيفية القيام بذلك. يمكن للنموذج أخذ عينات من حالات قاعدة البيانات التاريخية لمنع تسرب البيانات أثناء المهام الزمنية.

الأداء

تم تقييم Kumo Relational على 41 معيارًا عبر 15 قاعدة بيانات علائقية من RelBench V1 وV2 وSAP SALT و4DBInfer. يتفوق على أقوى النماذج الخاضعة للإشراف في مهام التصنيف والانحدار، بما في ذلك نماذج التعلم العميق العلائقي وتجميعات الجداول المهندسة من الخبراء. في لوحة صدارة RelArena-α، يحتل Kumo Relational مرتبة عالية من حيث الدقة والكفاءة، مما يدل على قدرته على تقديم النتائج بشكل أسرع من النماذج المنافسة.

بالإضافة إلى أدائه، يُظهر Kumo Relational مرونة في ظل الظروف الصعبة، محافظًا على فعاليته مع الحد الأدنى من بيانات التدريب وعند مواجهة روابط مفاتيح أجنبية مفقودة أو أعمدة مشوشة.

القيود

بينما يتفوق Kumo Relational في السيناريوهات ذات العلاقات الهامة والديناميكيات الزمنية، فقد لا يتفوق دائمًا على النماذج الخاضعة للإشراف الخاصة بمهمة معينة في الحالات التي تحتوي على مجموعات تدريب كبيرة جدًا. تم تصميم النموذج ليتم ضبطه الدقيق لمجموعات بيانات ومهام محددة عندما تكون الدقة القصوى مطلوبة.

البدء مع Kumo Relational

NVIDIA Kumo Relational متاح للاستخدام، مما يسمح للمطورين بتوصيل قواعد البيانات وتعريف استعلامات تنبؤية والحصول على تنبؤات دون الحاجة إلى تدريب واسع. يمكن دمج النموذج في الأنظمة الحالية عبر مكتبة NVIDIA لنماذج البيانات المهيكلة، التي تدعم موصلات قواعد بيانات متنوعة ويمكنها التعامل مع مجموعات بيانات كبيرة بكفاءة.

لمزيد من المعلومات، يمكن للمطورين الرجوع إلى ورقة البحث والوثائق التي توفرها NVIDIA.

المصدر: Hugging Face Blog