NVIDIA, Kumo Relational ilişkisel temel modelini tanıttı

Kumo Relational, bir tahmin sorgusu verildiğinde bağlam için en fazla 10.000 tarihsel örnek topluyor ve müşteri kaybı, talep veya dolandırıcılık gibi sonuçları tek bir ileri geçişte tahmin ediyor. NVIDIA, modelin özellik mühendisliği gerektirmediğini ve tabloların tek bir düz tabloya dönüştürülmesini de zorunlu kılmadığını söylüyor.

Metinde, birçok yapılandırılmış veri temel modelinin tek bir düz tablo üzerinde çalıştığı, gerçek dünya verilerinin ise kullanıcı-sipariş-ürün gibi ilişkilerle ilişkisel veritabanlarında tutulduğu anlatıldı. İlişkileri tek satıra indirgemek için yapılan manuel toplulaştırmaların ince yapısal sinyalleri kaybettirebildiği de belirtildi.

Veritabanı üzerinde çıkarım

NVIDIA’ya göre Kumo Relational, veritabanındaki tabloları, yabancı anahtarları ve zaman damgalarını dikkate alarak doğrudan veritabanı üzerinde çalışıyor. Modelin yeni görevlere bağlam içi öğrenme ile uyum sağladığı ve çıkarım sırasında en fazla 10.000 bağlam örneği okuduğu ifade edildi.

Metinde, her bağlam örneğinin belirli bir zamandaki bir varlığın etrafındaki yerel alt grafı ve buna karşılık gelen gerçek hedefi eşlediği belirtildi. Sistemin, doğal dili tahmin sorgusuna dönüştüren bir istem arayüzü içerdiği de aktarıldı.

NVIDIA, Kumo Relational’ın tabloları düzleştirmeden ve göreve özel eğitim olmadan ilişkisel veritabanı üzerinde tahmin ürettiğini söylüyor.

PQL ve zamansal görevler

Görevlerin Predictive Query Language (PQL) ile yazıldığı ve bunun “nasıl” değil “neyi” tahmin edeceğini belirten bildirimsel bir arayüz olduğu belirtildi. Metinde, Kumo Relational’ın tahmin için her tablodaki değerleri anlamak, tablolar arasında kayıtları ilişkilendirmek ve bilinen hedefli bağlam örneklerini tahmin edilen varlıkla ilişkilendirmek olmak üzere 3 iş yaptığı anlatıldı.

Zamansal görevlerde Kumo Relational’ın tarihsel veritabanı durumlarını yeniden oynattığı ve bir “çapa” zaman damgasına kadar varlık merkezli alt graflar örneklediği belirtildi. Hedefin bu zaman damgasından sonraki olaylardan hesaplandığı ve modele yalnızca çapa zaman damgasından önceki verilerin verilerek veri sızıntısının önlenmeye çalışıldığı ifade edildi.

Mimari, eğitim ve sonuçlar

Metinde, her tabloyu bağımsız işleyen hafif bir ağın sütun dikkati ve satır dikkati arasında dönüşümlü çalıştığı belirtildi. Daha büyük bir ağın birincil anahtar ve yabancı anahtar ilişkileri üzerinde grafik dikkati ile satır gömmelerini ilişkisel yapı boyunca dağıttığı, tablolar arası akıl yürütmede de bağlam örnekleri arasında çapraz örnek dikkati kullanıldığı aktarıldı.

NVIDIA’ya göre model, gerçek dünya veri kümelerini yansıtacak şekilde simüle edilmiş sentetik ilişkisel veri üzerinde bir kez önceden eğitiliyor ve 500 milyar satırdan büyük veritabanlarına ölçeklenebiliyor. Değerlendirmede Kumo Relational’ın RelBench V1 ve V2, SAP SALT ve 4DBInfer kaynaklı 15 ilişkisel veritabanı üzerinde 41 performans testinde kullanıldığı, bu veri kümelerinin hiçbirinin ön eğitim sırasında görülmediği belirtildi. NVIDIA, modelin 15 veritabanı üzerinde 41 görevde denetimli ilişkisel derin öğrenme modellerini ve uzmanlarca tasarlanmış gradyan artırmalı ağaç işlem hatlarını geride bıraktığını, SAP SALT’ta AutoGluon ansambllarını MRR ölçütünde ortalama %8 geçtiğini bildirdi.