O problema que o NVIDIA Kumo banco de dados resolve
Treinar um modelo de machine learning para prever churn, estimar demanda ou detectar fraude geralmente exige engenheiros de dados, feature engineering extenso e semanas de trabalho antes de ver o primeiro resultado. O NVIDIA Kumo banco de dados resolve isso de outra forma: o modelo foi pré-treinado para entender a estrutura de bancos relacionais e fazer previsões usando os dados históricos da própria empresa como contexto, sem nenhum treinamento adicional por tarefa.
O mecanismo do NVIDIA Kumo banco de dados é um único forward pass que aceita até 10.000 linhas históricas como entrada. O modelo identifica padrões temporais e relacionamentos entre tabelas e gera a previsão diretamente.
O que dizem os benchmarks
A NVIDIA avaliou o NVIDIA Kumo banco de dados em 41 tarefas distribuídas por 15 bancos de dados, incluindo RelBench V1 e V2, SAP SALT e 4DBInfer.
No SAP SALT, o modelo superou o XGBoost out-of-the-box em +7 pontos de MRR, chegando a +13 pontos após fine-tuning. Contra ensembles do AutoGluon com features de especialistas, o ganho foi de +8% de MRR, chegando a +16% com ajuste.
No RelArena-α, o NVIDIA Kumo banco de dados processou 1.000 amostras em aproximadamente 17 segundos. O modelo mais próximo no ranking levava 7.300 segundos para o mesmo volume, uma diferença de 430x na velocidade. O modelo escala para bancos com mais de 500 bilhões de linhas, o que o coloca dentro do alcance de bases corporativas de grande porte.
Por que isso importa para o seu negócio
Para empresas que têm histórico de transações, cadastros de clientes ou registros de operações em bancos relacionais — o que inclui qualquer ERP, CRM ou sistema de gestão —, o NVIDIA Kumo banco de dados abre uma porta que antes exigia uma equipe de dados dedicada.
Previsão de churn, estimativa de demanda por SKU, detecção de padrões anômalos: tarefas que costumavam levar semanas para montar podem, em tese, ser executadas sobre os dados que já existem no banco, sem escrever código de treinamento.
A NVIDIA publicou o código-fonte sob licença Apache 2.0 e os pesos sob OpenMDW License 1.1. Empresas com estrutura técnica mínima podem começar a testar sem custo de licenciamento. Para contexto sobre como modelos de IA de produção se encaixam em uma stack maior, veja o llm-d open-source da IBM, Red Hat e NVIDIA.
A documentação completa e os pesos estão publicados no Hugging Face.
Conteúdo reescrito e traduzido para PT pela redação luiscortex, revisado por humano.
Fonte: Hugging Face Blog
