NOVEDADES + GUÍA PRÁCTICA
NVIDIA Kumo Relational: el nuevo modelo fundacional que predice sobre bases de datos sin necesidad de entrenamiento
NVIDIA ha anunciado el lanzamiento de Kumo Relational, un innovador modelo fundacional diseñado para operar de forma nativa sobre bases de datos relacionales complejas. Capaz de realizar predicciones en una sola pasada hacia adelante utilizando aprendizaje en contexto, el sistema supera a los modelos tradicionales de aprendizaje supervisado en múltiples benchmarks empresariales sin necesidad de aplanar tablas ni realizar costosas tareas de ingeniería de características.
Qué cambia
Tradicionalmente, realizar modelos predictivos sobre bases de datos empresariales exigía semanas de ingeniería de características, agregación manual y la unificación de múltiples tablas en una sola estructura plana. Kumo Relational cambia este paradigma al operar directamente sobre las tablas originales, respetando las claves foráneas y las marcas de tiempo temporales.
El modelo procesa hasta 10.000 ejemplos históricos como contexto en el momento de la inferencia. Utiliza un enfoque arquitectónico que combina atención por columnas y filas dentro de cada tabla, junto con atención de grafos para conectar registros a través de claves relacionales. Todo esto se gestiona mediante consultas declarativas a través del lenguaje PQL (Predictive Query Language).
Por qué importa
La irrupción de modelos fundacionales para datos estructurados simplifica drásticamente el ciclo de vida del aprendizaje automático en las empresas, de forma similar a como los grandes modelos de lenguaje transformaron el procesamiento de lenguaje natural.
En evaluaciones comparativas sobre 41 tareas en 15 bases de datos, Kumo Relational ha demostrado superar a modelos de aprendizaje profundo relacional y a pipelines de árboles potenciados por gradiente (como XGBoost), ofreciendo además una eficiencia computacional notablemente superior que facilita su integración con agentes de inteligencia artificial.
Mini tutorial
Kumo Relational está disponible a través de la librería de código abierto 'structured-data-models' de NVIDIA y mediante despliegues como NVIDIA NIM. Los pesos del modelo se encuentran en Hugging Face bajo la licencia OpenMDW License Agreement versión 1.1, mientras que el código se rige por la licencia Apache 2.0.
- Instalar la librería estructurada ejecutando en el entorno el comando 'pip install structured-data-models'.
- Importar la librería en Python y cargar el modelo indicando el dispositivo de ejecución mediante 'import sdm' y 'model = sdm.models.KumoRelational(device="cuda")'.
- Preparar los ejemplos de contexto, tablas relacionadas y consultas de predicción para pasarlos directamente al objeto del modelo cargado.
- Alternativamente, instalar el cliente con soporte relacional mediante 'pip install 'structured-data-models-client[relational]'' para interactuar con despliegues basados en NVIDIA NIM.
Qué deberías obtener
Carga del modelo Kumo Relational en un entorno respaldado por GPU mediante la librería de Python para realizar inferencias directas sobre datos relacionales.
Antes de empezar
El rendimiento óptimo se obtiene en datos con dinámicas temporales y relaciones significativas. Las señales predictivas deben ser accesibles dentro de un número limitado de saltos relacionales.