HuggingFace
NVIDIA Kumo Relational, 학습 없이 관계형 DB 예측에서 지도학습 능가
한마디로
데이터베이스를 연결하고 무엇을 예측할지만 적으면, 따로 모델을 학습시키지 않아도 이탈이나 수요 같은 결과를 바로 맞혀 주는 거예요
무슨 내용인가
NVIDIA Kumo Relational은 기업 관계형 데이터베이스에서 바로 예측하는 사전학습 관계형 파운데이션 모델이에요. 예측 쿼리(PQL)를 쓰면 최대 10,000개의 과거 사례를 컨텍스트로 모아 한 번의 forward pass로 이탈, 수요, 사기 같은 결과를 예측하고, 별도 학습이나 피처 엔지니어링, 테이블 평탄화가 필요 없습니다. 15개 데이터베이스의 41개 과제에서 지도 관계형 딥러닝 모델과 전문가가 설계한 gradient-boosted tree 파이프라인을 앞섰고, SAP SALT 벤치마크에서는 AutoGluon 앙상블보다 평균 역순위(MRR)가 8% 높았습니다. 500B 이상 행의 데이터베이스까지 확장되며, 오픈소스 GPU 라이브러리나 NVIDIA NIM으로 사람과 에이전트 모두 쓸 수 있어요. 다만 학습 데이터가 매우 큰 과제에서는 과제 전용 지도학습 모델이 앞설 수 있어서 이 경우 파인튜닝을 권합니다.
에디터 노트 | FactStack
피처 엔지니어링이 예측 모델링 공수의 절반 이상을 차지해 왔으니, 이 병목이 쿼리 한 줄로 줄어든다는 방향은 분명 의미가 있어요. 다만 벤치마크 우위가 곧 운영 환경의 우위는 아니라서, 기존 XGBoost 파이프라인을 걷어내기 전에 우리 데이터로 AUC와 리프트를 나란히 비교하는 PoC가 먼저입니다. 또 테이블 평탄화를 건너뛰면 모델이 어떤 관계를 근거로 삼았는지 설명하기 어려워지고, 기업 DB를 외부 추론 환경에 올릴 때 거버넌스 검토도 따라붙으니 이 비용까지 계산에 넣어야 합니다.
실무 시사점
이탈 예측이나 수요 예측 같은 마케팅 모델링을 주 단위 프로젝트 대신 쿼리 한 줄로 시도할 수 있게 되어, 기존 XGBoost 파이프라인 대체를 검토할 만합니다
태그
용어 풀이
- NVIDIA Kumo Relational
- 관계형 데이터베이스에서 학습 없이 바로 예측하는 NVIDIA의 사전학습 모델
- Foundation Model
- 한 번 대규모로 사전학습해 여러 과제에 두루 쓰는 범용 AI 모델
- Relational Data
- 사용자, 주문, 상품처럼 여러 테이블이 서로 연결된 구조의 데이터
- In-context Learning
- 모델을 다시 학습시키지 않고 예시를 보여 주는 것만으로 새 과제를 수행하는 방식
이 기사를 근거로 쓴 FactStack 분석
공유