NVIDIA Kumo Relational: İlişkisel Verilerde Eğitim Gerektirmeden Denetimli Makine Öğrenmesini Geride Bırakıyor

Özet (TL;DR)#

NVIDIA Kumo Relational, kurumsal veritabanları üzerinde doğrudan tahminler yapabilen önceden eğitilmiş (pre-trained) bir ilişkisel temel modeldir (relational foundation model). Tahmine dayalı bir sorgu verildiğinde, bağlam olarak 10.000'e kadar geçmiş örneği toplar ve müşteri kaybı (churn), talep veya dolandırıcılık gibi sonuçları tek bir ileri besleme (forward pass) adımında tahmin eder. Göreve özel eğitime, özellik mühendisliğine (feature engineering) veya tabloların düzleştirilmesine (flattening) ihtiyaç duymaz.

Kumo Relational, yaygın ilişkisel kıyaslama testlerinde (benchmarks) denetimli makine öğrenmesini geride bırakan ilk az örnekli (few-shot) temel modeldir. 15 veritabanındaki 41 görev genelinde, denetimli ilişkisel derin öğrenme modellerini ve uzmanlarca tasarlanmış gradyan artırımlı ağaç (gradient-boosted tree) iş akışlarını mağlup etmektedir. Ayrıca SAP SALT kurumsal kıyaslamasında AutoGluon topluluklarını (ensembles) ortalama karşılıklı sıralamada (MRR) %8 oranında geçmektedir. 500 milyardan fazla satıra sahip veritabanlarına ölçeklenebilen bu model; NVIDIA'nın açık kaynaklı, GPU tabanlı structured-data-models kütüphanesi veya bir NVIDIA NIM mikroservisi aracılığıyla hem geliştiriciler hem de yapay zeka ajanları için çalışır.

• Makale: https://arxiv.org/abs/2604.12596
• Dokümantasyon: https://docs.nvidia.com/sdgm/rfm/overview

Yapılandırılmış Veri Temel Modellerine Geçiş#

Temel modeller (foundation models), dil ve görüntü işleme alanlarında oyunun kurallarını çoktan yeniden yazdı. Çok değil kısa bir süre önce, üretim ortamında doğal dil işleme (NLP) yapmak; her görev için ayrı bir model ve her modeli besleyen kendi tokenizasyon, lemmatizasyon ve n-gram boru hatları (pipelines) anlamına geliyordu. Büyük Dil Modelleri (LLM'ler) bu mimariyi büyük ölçüde geçersiz kıldı; çünkü göreve özel en iyi modellerden daha doğru sonuç veriyorlardı, üretime alınmaları çok daha basitti ve ajantik (agentic) uygulamalar çağını açacak kadar esnektiler.

Aynı dönüşüm şimdi yapılandırılmış veriler için gerçekleşiyor. İlişkisel veritabanları dünyadaki en kritik iş kararlarına güç verse de, bunlar üzerinde tahmine dayalı modelleme yapmak hâlâ haftalar süren özellik mühendisliği, göreve özel eğitim ve ince ayarlı boru hatları gerektiriyor. Yapılandırılmış veri temel modelleri, yazılım geliştirme ve veri bilimi süreçlerini şu üç temel nedenle değiştiriyor:

• Bugünden daha yüksek doğruluk: Doğrudan mevcut sistemlerin yerine kullanılabilen (drop-in replacement) bu modeller, özellikle XGBoost gibi birçok üretim boru hattını şimdiden geride bırakıyor. RelBench V1 sınıflandırma görevlerinde Kumo Relational, uzmanlarca üretilmiş özellikler üzerinde çalışan gradyan artırımlı ağaçları ortalama yaklaşık 4 AUROC puanı farkla geçiyor. SAP SALT üzerinde ise kutudan çıktığı haliyle (out of the box) XGBoost'u 7 MRR puanı, ince ayar (fine-tuning) sonrasında ise 13 MRR puanı geride bırakıyor. Geliştiriciler için bu durum, karmaşık XGBoost boru hatlarını Kumo Relational ile değiştirmek adına güçlü bir pratik gerekçe sunuyor.
• Basitlik ve çeviklik: Önceden eğitilmiş tek bir model, bireysel görevler için kurulan ayrı boru hatlarının yerini alır. Yeni bir tahmin ihtiyacı, haftalar süren bir mühendislik projesi olmaktan çıkıp basit bir sorguya dönüşür. Böylece makine öğrenmesi ekipleri, geleneksel yöntemlerin çok zahmetli hale getirdiği kullanım senaryolarını organizasyonun her seviyesinde hızla hayata geçirebilir.
• Tahmin yürütebilen ajanlar: LLM'ler ajanların okumasını, yazmasını ve akıl yürütmesini sağlar. Yapılandırılmış veri temel modelleri ise ajanların bir sonraki adımda ne olacağını (örneğin hangi müşterinin kaybedileceğini) öngörmesine ve buna göre aksiyon almasına olanak tanır. Kumo Relational, doğrudan ajanlar tarafından çağrılmak üzere (tool calling) inşa edilmiştir ve çok adımlı ajan mimarilerinde öngörü katmanı olarak doğrudan kullanılabilir.