אנבידיה מציגה את Kumo Relational: מודל שמנבא נטישה, ביקוש והונאות ישירות ממסדי נתונים, בלי אימון ייעודי
אנבידיה הציגה את Kumo Relational, מודל בסיס מאומן מראש שמפיק תחזיות ישירות ממסדי נתונים ארגוניים, בלי אימון ייעודי למשימה ובלי הנדסת פיצ'רים. לטענת החברה, ב-41 משימות על 15 מסדי נתונים הוא עקף מודלים של למידה מונחית וצינורות של עצי החלטה מבוססי Gradient Boosting שתוכננו בידי מומחים. התוצאות מדווחות על ידי אנבידיה עצמה.
אנבידיה פרסמה היום (21 באוקטובר 2026) את Kumo Relational, מודל בסיס (foundation model) מאומן מראש שנועד לנבא תוצאות עסקיות ישירות מתוך מסדי נתונים רלציוניים, כלומר טבלאות שמקושרות זו לזו. לפי החברה, המודל מקבל שאילתה חזויה, אוסף עד 10,000 דוגמאות היסטוריות כהקשר, ומנבא תוצאות כמו נטישת לקוחות, ביקוש או הונאה במעבר יחיד במודל (single forward pass). הוא לא דורש אימון ייעודי למשימה, לא דורש הנדסת פיצ'רים ולא דורש "לשטח" את הטבלאות לטבלה אחת.
מה הבעיה שהמודל מנסה לפתור
כמעט כל הנתונים העסקיים בעולם יושבים במסדי נתונים רלציוניים: משתמשים שמקושרים להזמנות, שמקושרות למוצרים, והכול משתנה לאורך זמן. עד היום, בניית מודל חיזוי על נתונים כאלה דרשה, כלשון הפוסט, "שבועות של הנדסת פיצ'רים", אימון ייעודי לכל משימה וכיוונון של צינורות עיבוד. בדרך כלל זה כולל דחיסה ידנית של הקשרים בין הטבלאות לשורה אחת, למשל "ממוצע ערך הזמנה ב-30 הימים האחרונים". לטענת אנבידיה, תהליך כזה מאבד אותות מבניים עדינים ודורש עבודה אנושית רבה.
Kumo Relational פועל ישירות על מסד הנתונים ומתחשב בטבלאות, במפתחות הזרים (foreign keys) ובחותמות הזמן. הוא אומן פעם אחת על נתונים רלציוניים סינתטיים, ומסתגל לכל משימה חדשה באמצעות in-context learning: הוא לומד מהדוגמאות שמוזנות לו בזמן ההרצה, בלי לעדכן את המשקלות שלו. כל דוגמה כזו מצמידה תת-גרף מקומי סביב ישות מסוימת, בנקודת זמן מסוימת, לתוצאה האמיתית שלה, למשל "המשתמש הזה נטש" או "הפריט הזה נמכר ב-142 יחידות".
המספרים
לפי אנבידיה, Kumo Relational הוא מודל הבסיס הראשון מסוג few-shot (שלומד מכמות קטנה של דוגמאות) שמתעלה על למידה מונחית במבחני ייחוס רלציוניים נפוצים. אלה הנתונים שהחברה מציגה:
- ב-41 משימות על 15 מסדי נתונים הוא עקף מודלים מונחים של relational deep learning וגם צינורות של עצי החלטה מבוססי Gradient Boosting עם פיצ'רים שתכננו מומחים.
- במשימות הסיווג של RelBench V1 הוא עקף בממוצע את עצי ה-Gradient Boosting בכמעט 4 נקודות AUROC.
- במבחן הארגוני SAP SALT הוא עקף את XGBoost בשבע נקודות MRR בלי שום התאמה, וב-13 נקודות אחרי fine-tuning. באותו מבחן הוא גם עקף ב-8% במדד MRR את האנסמבלים של AutoGluon.
לדברי החברה, המודל מתמודד עם מסדי נתונים של יותר מ-500 מיליארד שורות. הוא זמין דרך ספריית ה-open source של אנבידיה, structured-data-models, שרצה על GPU, או כשירות NVIDIA NIM. לצד הפרסום שוחררו מאמר ב-arXiv ותיעוד רשמי. בין כותבי הפוסט נמנים יורה לסקובץ' (Jure Leskovec) ומתיאס פיי (Matthias Fey).
למה זה חשוב, ומה עוד לא ידוע
אנבידיה משווה את המהלך למה שקרה בעיבוד שפה: פעם כל משימת NLP דרשה מודל וצינור עיבוד משלה, ואז מודלי ה-LLM ייתרו את רוב המערך הזה. אם הטענות יחזיקו, המשמעות ככל הנראה היא שתחזית חדשה בארגון תהפוך, כלשון החברה, "לשאילתה במקום לפרויקט". החברה גם מדגישה שהמודל בנוי לשימוש של סוכני AI, דרך שפת שאילתות ייעודית בשם Predictive Query Language (PQL). ההיגיון: מודלי שפה מאפשרים לסוכנים לקרוא ולכתוב, ומודל כזה יאפשר להם גם לצפות מה יקרה בהמשך.
עם זאת, חשוב לזכור שכל התוצאות מגיעות מהבלוג של אנבידיה ומהמאמר של צוותה, ולא מבדיקה עצמאית. החברה עצמה כותבת שהתוצאות "מהוות טיעון משכנע" להחלפת צינורות XGBoost קיימים. זו הערכה של צד מעוניין, ונראה שהיא תיבחן בפועל רק כשארגונים ינסו את המודל על הנתונים שלהם. כמו כן, הפרסום לא מפרט עלויות הרצה ולא מתאר את ביצועי המודל בתרחישים שבהם יש לו יתרון קטן יותר.