Az NVIDIA történeti adatbázispéldákból készít előrejelzést a Kumo Relational modellel

Az NVIDIA október 21-i közlése a Kumo Relational előrejelzéseit mutatja be többek között lemorzsolódási, keresleti és csalási feladatokra. A modell legfeljebb 10 000 történeti példát használ kontextusként, ahelyett hogy minden feladathoz tanítást vagy a kapcsolódó táblák egyetlen táblává lapítását igényelné. Az érdemi kapcsolatok és időbeli szerkezet számítanak: a megközelítés az összekapcsolt adatok hasznos jelzéseire támaszkodik.

A jelenlegi kliens előkészíti a kérést, elküldi egy futó NVIDIA NIM következtetési szolgáltatásnak, majd pandas-táblává alakítható előrejelzéseket ad vissza. Magának a kliensnek nem kell GPU, és modellsúlyokat sem tölt le; a következtetés a szolgáltatásban történik. A felhasználó a kapcsolódó táblákhoz modellargumentumként választja a KumoRelational megoldást. A relációs telepítés natív motort tartalmaz, amelyhez megfelelő platformra készült wheel csomag szükséges. Nem támogatott rendszereken nincs forráscsomagos tartalékmegoldás, és a kliens telepítése önmagában nem biztosítja a futó következtetési szolgáltatást.

A gyorsútmutató kiválasztott felhasználók harmincnapos rendelésszámának előrejelzését szemlélteti. Az előrejelzés előtt külön materializálási hívás értelmezi a lekérdezést, megkeresi a történeti címkézett példákat, mintát vesz a kapcsolódó rekordokból, majd kódolja azokat. Az entitásokat kifejezetten ki kell választani; a lekérdezés nem pontoz észrevétlenül minden sort. A jellemzők egy horgonyidőpontot megelőző adatokból származnak, a címkék pedig az azt követő időablakot fedik le. Egy harmincnapos lekérdezéshez ezért harminc napnál érdemben hosszabb történet kell; rövidebb adatsorban nem maradhat címkézett példa. Az ablak magát a horgonyidőpontot kizárja, a harmincadik napot azonban tartalmazza; ez ugyanazon összesítés ellenőrzésénél számít.