NVIDIA détaille Kumo Relationnel, un modèle de fondation pré‑entraîné pour les bases relationnelles qui promet des prédictions sans entraînement spécifique. L'entreprise met en avant des gains mesurés sur RelBench et SAP SALT, une capacité d'inférence à grande échelle et une stabilité sous contrainte.
Des écarts mesurés sur SAP SALT, RelBench et RelArena-α
NVIDIA rapporte que Kumo Relationnel dépasse des références établies. Sur SAP SALT, l'entreprise annonce un avantage de 8% en MRR face à des ensembles AutoGluon, qui s’étend à 16% après ajustement. Sur ce même benchmark, l’écart revendiqué atteint environ 25% face à des modèles de fondation tabulaires récents. Sur RelBench V1, Kumo Relationnel dépasserait des arbres à gradient optimisés par des experts d’environ 4 points AUROC en moyenne. NVIDIA indique aussi que le modèle surpasse XGBoost de 7 points MRR en configuration initiale et de 13 points MRR après ajustement sur SAP SALT. Au total, l’évaluation couvre 41 benchmarks répartis sur 15 bases relationnelles issues notamment de RelBench V1 et V2, SAP SALT et 4DBInfer, non vus au pré‑entraînement. Sur RelArena-α, le modèle est présenté comme positionné sur le front de Pareto précision‑efficacité dès l’initialisation.
Robustesse déclarée avec 0,2% de données et 75% de liens supprimés
Selon NVIDIA, Kumo Relationnel maintient son fonctionnement avec seulement 0,2% des données d’entraînement utilisées comme contexte. L’entreprise affirme également une stabilité lorsque jusqu’à 75% des liens de clés étrangères sont retirés. Le modèle est en outre annoncé comme extensible à des bases dépassant 500 milliards de lignes.
Un usage présenté sans entraînement ni ingénierie de caractéristiques
Le flux d’utilisation mis en avant consiste à connecter une base relationnelle, décrire la cible et obtenir une prédiction en un passage, sans entraînement spécifique ni ingénierie de caractéristiques ou aplatissement. Les prédictions concernent notamment le désabonnement, la demande ou la fraude, avec jusqu’à 10 000 exemples historiques pris en contexte à l’inférence. NVIDIA propose Kumo Relationnel via une bibliothèque open‑source native GPU et sous la forme NVIDIA NIM. Le modèle est conçu pour être invoqué par des agents via un langage déclaratif de requêtes prédictives, PQL.
La recherche en IA vous passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Positionnement face aux pipelines existants comme XGBoost
NVIDIA avance que Kumo Relationnel, en tant que modèle de fondation pour données structurées, revendique de meilleures performances que des pipelines fondés sur XGBoost sur des benchmarks cités, tout en simplifiant la mise en production. L’argumentaire rapproche l’évolution observée dans le NLP, où des LLM ont rendu obsolètes plusieurs étapes de pipeline, d’un mouvement similaire sur les données relationnelles. L’entreprise présente Kumo Relationnel comme un modèle à quelques exemples surpassant l’apprentissage supervisé sur 41 tâches couvrant 15 bases, incluant des modèles profonds relationnels et des ensembles conçus par des experts.
Traitement direct des graphes relationnels et contrôle des fuites
Kumo Relationnel opère directement sur les tables, les clés étrangères et les horodatages. Les tâches sont formulées en PQL, qui décrit la cible sans spécifier la méthode. Pour les scénarios temporels, le système rejoue des états passés en centrant des sous‑graphes sur une entité jusqu’à un horodatage d’ancrage, calcule la cible sur des événements ultérieurs et ne montre au modèle que les données antérieures. NVIDIA présente ce mécanisme comme une prévention des fuites de données. Les exemples de contexte associent un sous‑graphe à une cible de vérité, qui peut aller d’un désabonnement utilisateur à une quantité vendue, comme 142 unités pour un article.
Architecture par attentions et pré‑entraînement synthétique PluRel
L’architecture combine un réseau léger traitant chaque table avec des attentions alternées sur colonnes et lignes, et un réseau plus large propageant des embeddings de lignes au fil des relations clé primaire et clés étrangères, couplé à une attention inter‑échantillons. NVIDIA décrit un raisonnement relationnel reliant par exemple un profil utilisateur et son historique de transactions. L’utilisation d’embeddings de lignes a pour objectif d’éviter les coûts quadratiques et d’autoriser des contextes étendus ainsi que des sous‑graphes plus profonds. Le modèle suit un pré‑entraînement en plusieurs phases sur des données synthétiques élaborées pour reproduire la structure de bases réelles. Faute de diversité publique suffisante, l’approche s’appuie sur PluRel, à laquelle des membres de l’équipe ont contribué, pour générer schémas, liens de clés étrangères structurants et valeurs de colonnes issues de Modèles Causaux Structurels, avec tendances temporelles et dépendances. NVIDIA indique que la génération est légère et que la perte de pré‑entraînement suit une loi de puissance quand des bases synthétiques s’ajoutent, avec des gains transférés aux bases réelles. Lorsque la précision maximale est visée, NVIDIA prévoit la possibilité d’ajuster le modèle sur un jeu et une tâche donnés.
