The Pulse
NVIDIA: Kumo Relational ha superato i modelli supervisionati in 41 attività
Secondo NVIDIA, il suo modello Kumo Relational ha superato i sistemi di machine learning supervisionato in 41 benchmark su 15 database. Il modello formula previsioni a partire da tabelle di database collegate, usando esempi storici come con
AI.info Team · Scritto con l’IA · verificato ·
Secondo NVIDIA, il suo modello Kumo Relational supera i sistemi di machine learning supervisionato in 41 attività di previsione su 15 database, senza addestrare un modello separato per ogni attività. L’azienda ne ha annunciato il rilascio il 21 ottobre 2026, descrivendolo come un modello di base per formulare previsioni a partire da tabelle di database collegate. I risultati provengono da benchmark che comprendono e-commerce, medicina, attività aziendali, social network e dati accademici: non equivalgono a sostenere che il modello prevalga su ogni database usato in produzione.
Kumo Relational legge le tabelle collegate come un grafo
Molti modelli per i dati strutturati richiedono un’unica tabella piatta. I dati aziendali, però, sono spesso distribuiti tra tabelle collegate: gli utenti sono collegati agli ordini e gli ordini ai prodotti. Ridurre questi collegamenti a una singola riga può richiedere riepiloghi preparati manualmente, come il valore medio degli ordini in un determinato periodo, e comportare la perdita di dettagli sui singoli record.
Kumo Relational usa invece le righe e le colonne delle tabelle, i collegamenti tramite chiavi esterne e i timestamp. Per ogni previsione attinge a un massimo di 10.000 esempi storici come contesto, poi produce un risultato in un unico passaggio di calcolo. Secondo NVIDIA, gli sviluppatori possono richiedere attività come la previsione dell’abbandono dei clienti, della domanda o delle frodi senza addestramento specifico per l’attività, senza costruire manualmente le variabili e senza appiattire le tabelle.
Il paper di ricerca alla base del rilascio, KumoRFM-2: Scaling Foundation Models for Relational Learning, descrive la famiglia di modelli da cui deriva. Gli autori scrivono:
«Infine, mentre KumoRFM-1 era limitato a dataset di piccole dimensioni conservati in memoria, KumoRFM-2 si estende a dataset relazionali dell’ordine di miliardi di record».
Valter Hudovernik et al., KumoRFM-2
Che cosa misurano i benchmark di NVIDIA
NVIDIA ha valutato il modello su 41 attività in 15 database tratti dalle versioni 1 e 2 di RelBench, da SAP SALT e da 4DBInfer. L’azienda afferma che questi dataset non erano inclusi nel preaddestramento e che Kumo Relational ha superato i migliori modelli supervisionati sottoposti ai suoi test, compresi sistemi di deep learning relazionale ed ensemble basati su variabili costruite a partire da dati tabellari.
Nel benchmark aziendale SAP SALT, NVIDIA riferisce un vantaggio dell’8% nel mean reciprocal rank rispetto a grandi ensemble AutoGluon, che sale al 16% dopo il fine-tuning. L’azienda afferma inoltre che il modello ha superato i sistemi XGBoost basati su variabili costruite manualmente di sette punti di mean reciprocal rank senza fine-tuning e di 13 punti dopo il fine-tuning. Sono risultati di benchmark riferiti da NVIDIA: non dimostrano che il modello supererà un sistema ottimizzato con cura sui dati di una particolare azienda.
Nel confronto RelArena-α di NVIDIA, Kumo Relational si colloca sulla frontiera del compromesso tra accuratezza e velocità. L’azienda afferma che, in quel confronto, ha raggiunto un’accuratezza simile a quella del sistema con il punteggio più alto in classifica, funzionando circa 430 volte più velocemente. Il risultato riguarda i carichi di lavoro e i sistemi testati, non costituisce una garanzia generale sulla velocità di inferenza nell’uso operativo.
La dimensione dei dati e l’idoneità all’attività restano importanti
Secondo NVIDIA, il modello funziona con un motore per grafi personalizzato in grado di gestire database con oltre 500 miliardi di righe, usando input mappato in memoria a una velocità fino a 5 GB al secondo. Questa cifra descrive la capacità dichiarata del motore, non è un benchmark che dimostri che ogni previsione elabori 500 miliardi di righe. Il modello è disponibile anche attraverso la libreria di NVIDIA per modelli di dati strutturati nativi per GPU e come servizio NVIDIA NIM.
L’annuncio indica i limiti oltre ai progressi. Kumo Relational dà i risultati migliori quando i dati contengono relazioni utili e cambiano nel tempo; inoltre, i segnali devono essere raggiungibili attraversando un numero limitato di collegamenti tra tabelle. NVIDIA afferma che i modelli supervisionati specializzati potrebbero comunque ottenere risultati migliori nelle attività con set di addestramento molto ampi, mentre nei benchmark il contesto del modello era limitato a 10.000 esempi.
Secondo NVIDIA, il codice è rilasciato con licenza Apache 2.0, mentre i pesi del modello sono soggetti all’OpenMDW License Agreement, versione 1.1. Per i team, la prova pratica sarà verificare se i propri dati collegati, gli obiettivi delle previsioni e la configurazione d’uso corrispondano alle condizioni in cui i risultati dei benchmark sono stati migliori.