NVIDIA, 21 Ekim 2026’da kurumsal veritabanları üzerinde doğrudan tahmin yapmak için geliştirdiği Kumo Relational modelini duyurdu. Model kartına göre Kumo Relational, birbirine bağlı tablolarda sınıflandırma ve regresyon için önceden eğitilmiş bir model ve bağlam içi öğrenme (in-context learning) ile çalışıyor. Duyuruya göre model göreve özel eğitim gerektirmiyor.
Ne duyuruldu
Duyuruya göre model doğrudan veritabanı üzerinde, tabloları, yabancı anahtarları ve zaman damgalarını gözeterek çalışıyor; göreve özel eğitim, özellik mühendisliği ya da tabloları tek tabloya düzleştirme gerektirmiyor. Tahmin görevleri PQL (Predictive Query Language) adlı bildirimsel bir sorgu diliyle yazılıyor; kullanıcı neyin tahmin edileceğini yazıyor, nasıl yapılacağını değil. Model kartına göre model sınıflandırmada sınıf olasılıkları üretiyor.
Model kartı, modelin KumoRFM-2 temelli olduğunu ve önceden eğitilmiş TabICLv2 ağırlıkları üzerine ince ayar yapıldığını belirtiyor. Kod structured-data-models adlı Python paketiyle kuruluyor; duyuruya göre kütüphane ağırlıkları ilk kullanımda Hugging Face’ten indiriyor ve model NVIDIA NIM olarak da dağıtılabiliyor. Parametre sayısı duyuruda ve model kartında verilmiyor. Örnek kod GPU (CUDA) kullanıyor.
Ne değişti
Lisans iki parçalı: duyuruya göre kod Apache 2.0, model ağırlıkları ise OpenMDW 1.1 lisansıyla sunuluyor. Model kartı, ince ayarın temel aldığı TabICLv2 ağırlıklarının BSD-3-Clause lisanslı olduğunu da belirtiyor.
NVIDIA, modeli RelBench V1 ve V2, SAP SALT ve 4DBInfer’den 15 ilişkisel veritabanındaki 41 görevde sınadığını ve bu veri setlerinin hiçbirinin ön eğitimde kullanılmadığını yazıyor. Duyuruya göre model bu görevlerde denetimli ilişkisel derin öğrenme modellerini ve uzmanların hazırladığı tablo topluluklarını geçiyor. SAP SALT veri setinde AutoGluon topluluklarının ortalama karşılıklı sıra (MRR) ölçütünde yüzde 8, ince ayarla yüzde 16 önüne geçtiği belirtiliyor. Bu sonuçlar NVIDIA’nın kendi duyurusundaki ölçümler.
Kurumlar için anlamı
Duyuru modelin sınırlarını da yazıyor: model, anlamlı ilişkiler ve zaman içinde değişen davranış içeren verilerde (örneğin kullanıcı davranışının zaman içindeki seyri) en iyi sonucu veriyor; çok büyük eğitim verisi olan görevlerde göreve özel eğitilmiş modeller hâlâ daha iyi sonuç verebiliyor ve tahmin için gereken bilginin tablolar arasında sınırlı sayıda bağlantı adımıyla ulaşılabilir olması gerekiyor.
Ağırlıklar Apache 2.0 değil OpenMDW 1.1 lisansıyla sunuluyor; kıyaslama sonuçları NVIDIA’nın duyurusuna dayanıyor.
Duyurunun tamamı yan sütundaki bağlantıda; model kartı Hugging Face’te.
