「学習させないモデルが、学習させたモデルに勝つ」。この主張は本当に成り立つのでしょうか。
NVIDIAが公開したNVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required(Hugging Face Blog)は、企業のデータベースに対して直接予測を行う、事前学習済みのリレーショナル基盤モデルを紹介しています。
- 予測クエリを与えると、過去事例を最大1万件コンテキストとして集め、1回のフォワードパスで解約・需要・不正などを予測する
- タスクごとの学習、特徴量エンジニアリング、テーブルの平坦化は不要
- 15のDB・41タスクで、教師ありのリレーショナル深層学習モデルや専門家設計の勾配ブースティング木を上回ったと報告されている
「学習する」から「問い合わせる」へ
顧客・注文・問い合わせ履歴が別々のテーブルに入っているDBで、解約予測をする場面を考えます。
従来は、テーブルを結合して平坦化し、特徴量を設計し、タスクごとにモデルを学習して運用していました。需要予測や不正検知を足すたびに、同じ工程が繰り返されます。
Kumo Relationalでは、予測したい内容をクエリとして書くだけです。モデルが関連する過去事例を文脈として集め、そのまま推論します。言語モデルがタスク別の専用モデルを置き換えたのと同じ流れが、表データにも来ていると読めます。
機会はどこに生まれるか
いちばん恩恵を受けやすいのは、特徴量設計の専門人材を十分に置けないチームです。試すコストが下がれば、これまで費用対効果が合わず見送られてきた予測タスクにも手が届きます。元記事によれば、人間だけでなくエージェントからも、オープンソースのライブラリやNVIDIA NIM経由で使えるとされています。
ただし数値はNVIDIA自身の報告です。SAP SALTベンチマークでAutoGluonのアンサンブルをMRRで8%上回るとの結果も、自社データで再現するかどうかは別問題です。
冒頭の問いへの答えは、ベンチマーク上ではYesです。実務での答えは、自社データで小さく検証して初めて出ます。
出典: NVIDIA Kumo Relational(Hugging Face Blog)、論文 https://arxiv.org/abs/2604.12596
関連記事
- The bridge to agent-scale Git infrastructure
- Democratic governance of frontier AI, part II: Empowering cyber defenders
- How we built ChatGPT’s novel ad stack for user trust and relevance
参考文献
コメント