NVIDIA lancia Kumo Relational, modello che predice direttamente sui database
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Kumo è un foundation model pre‑addestrato che usa fino a 10.000 esempi storici e non richiede training task‑specific per predizioni su dati relazionali.
NVIDIA ha presentato Kumo Relational, un modello foundation relazionale pre-addestrato. Esegue previsioni direttamente sui database aziendali, senza training specifico, e sui benchmark relazionali comuni supera sistemi supervisati1.
Il flusso operativo è unico e compatto: si formula una query predittiva, il modello seleziona dal database fino a 10.000 esempi storici pertinenti come contesto, poi produce la previsione in un’unica forward pass. Non richiede feature engineering. Non impone di appiattire lo schema in tabelle singole. Gli esempi citati includono churn, domanda e frodi1.
Sui test dichiarati, Kumo Relational risulta il primo modello foundation in modalità few-shot che supera il supervised machine learning su dati relazionali. La valutazione copre 41 task in 15 database. Il modello batte sia reti di deep learning relazionale addestrate in modo supervisato sia pipeline di gradient-boosted trees progettate da esperti. Nel benchmark enterprise SAP SALT, ottiene un vantaggio dell’8% in mean reciprocal rank rispetto a un ensemble AutoGluon1.
Scala e integrazione puntano a casi d’uso estesi. NVIDIA indica il supporto a database con oltre 500 miliardi di righe. L’accesso avviene in due modalità: tramite la libreria open source, GPU-native, structured-data-models, oppure come NIM. L’azienda descrive l’impiego sia da parte di persone sia di agenti, con lo stesso obiettivo: rispondere a query predittive sui dati relazionali senza addestramenti mirati per singolo compito1.
La promessa è ridurre passaggi tipici dei workflow su dati strutturati. Kumo Relational centralizza la selezione del contesto e la previsione, mantenendo invariata la struttura dei database e spostando il carico dall’ingegnerizzazione manuale alla capacità del modello pre-addestrato1.
Una nota di metodo: i risultati sono quelli dichiarati da NVIDIA. Per il contesto su dataset e condizioni dei benchmark, il riferimento indicato è il paper su arXiv con identificativo 2604.12596 e la documentazione ufficiale1.
Per chi valuta l’adozione, il punto pratico è la compatibilità con schemi relazionali reali e carichi variabili. Se i numeri di benchmark si traducono in produzione, l’eliminazione del feature engineering per singolo task può comprimere i tempi di messa in opera e standardizzare i processi tra team e domini1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,0/10 dopo 1 revisione.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.