NVIDIA Kumo Relational يتفوق على نماذج التعلم الخاضع للإشراف في 41 مهمة دون تدريب

نشرت NVIDIA نموذج Kumo Relational، وهو نموذج أساسي (foundation model) علائقي مدرَّب مسبقًا، يُجري التنبؤات مباشرة فوق قاعدة بيانات المؤسسة. يصف المستخدم ما يريد التنبؤ به، ويحصل على النتيجة في تمريرة أمامية واحدة، دون تدريب مخصص للمهمة، ودون تجميعات يدوية، ودون تسطيح الجداول. في 41 مهمة من 15 قاعدة بيانات، تفوق النموذج على نماذج التعلم الخاضع للإشراف (supervised) وعلى التعزيز التدرجي المبني على ميزات الخبراء. وعلى SAP SALT يتقدم بنسبة 8% على مجموعات نماذج AutoGluon الكبيرة بحسب mean reciprocal rank. من بين المؤلفين Jure Leskovec وMatthias Fey، وصدر العمل بالتعاون مع فريق Kumo.

التنبؤ كاستعلام لا كمشروع

يستغرق المسار المعتاد لمهمة مثل انسحاب العملاء أسابيع. يحسب المهندسون «متوسط قيمة الطلب خلال 30 يومًا»، ويدمجون users وorders وproducts في صف واحد، ويضبطون XGBoost، ويواصلون صيانة خط المعالجة (pipeline). يعمل Kumo Relational بطريقة مختلفة: فهو يقرأ الجداول والمفاتيح الخارجية والطوابع الزمنية كما هي. وتُصاغ المهمة بلغة Predictive Query Language، مثلًا `PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id`.

يجمع النظام السياق بنفسه. فهو يأخذ أمثلة تاريخية، ويقتطع حول كل كيان رسمًا فرعيًا محليًا في لحظة زمنية محددة، ثم يُلحق بها النتيجة المعروفة، مثل «غادر المستخدم» أو «بيع المنتج 142 مرة». وفي المهام الزمنية تُعاد قاعدة البيانات عبر حالاتها التاريخية: يرى النموذج البيانات السابقة للعلامة المرجعية فقط، ويُحتسب الهدف من الأحداث التي تلي تلك العلامة. وبذلك يُستبعد تسرب بيانات المستقبل بحكم التصميم نفسه.

البنية ذات مرحلتين. تعالج شبكة خفيفة كل جدول على حدة عبر column attention وrow attention، وتُزيل الضوضاء. ثم تنشر شبكة أكبر تمثيلات (embeddings) الصفوف عبر بنية قاعدة البيانات باستخدام graph attention على روابط المفاتيح الأولية والخارجية، وبعدها يأتي cross-sample attention بين الأمثلة السياقية. ولأن المرحلة الثانية تعمل على تمثيلات الصفوف لا على كل خلية، فلا توجد كلفة تربيعية، وتبقى السياقات ذات الرسوم الفرعية العميقة قابلة للمعالجة.

بيانات اصطناعية بدلًا من قواعد البيانات المغلقة

لا تكاد توجد في المصادر المفتوحة قواعد بيانات علائقية متنوعة تصلح للتدريب المسبق، لذلك دُرِّب النموذج بالكامل على بيانات اصطناعية. يستند المولِّد إلى PluRel (Kothapalli et al., ICML 2026)، ويبني قاعدة البيانات في ثلاث خطوات: المخطط، ثم الروابط بين الصفوف مع تجميع واقعي، ثم قيم الأعمدة من نماذج سببية بنيوية مع اتجاهات زمنية واعتماديات بين الجداول. التوليد رخيص، ولذلك فإن كمية بيانات التدريب المسبق غير محدودة عمليًا. ينخفض الـ loss وفق قانون القوة مع إضافة قواعد بيانات جديدة، وينتقل المكسب إلى البيانات الحقيقية. ويجري التدريب على مراحل: من الجداول المفردة إلى البنى العلائقية المعقدة.

جرى التقييم على مجموعات بيانات لم يرها النموذج من قبل: RelBench V1 وV2 وSAP SALT و4DBInfer. وهي تغطي التجارة الإلكترونية والطب وبيانات المؤسسات والشبكات الاجتماعية والبيانات الأكاديمية.

• 41 مهمة على 15 قاعدة بيانات علائقية.
• RelBench V1، التصنيف: أعلى بنحو 4 نقاط AUROC من التعزيز التدرجي على ميزات الخبراء.
• SAP SALT: أعلى بـ 7 نقاط MRR من XGBoost على ميزات هندسية دون ضبط إضافي، وبـ 13 نقطة بعد الضبط الدقيق.
• SAP SALT مقابل مجموعات AutoGluon الكبيرة: زيادة 8% في MRR، وبعد الضبط الدقيق (fine-tuning) زيادة 16%.
• RelArena-α (لوحة الصدارة بتاريخ 21.09.2026): النموذج على جبهة باريتو للدقة والسرعة، وهو أسرع بنحو 430 مرة من rtl-plurel بدقة مماثلة.
• الصلابة: يعمل مع 0.2% من بيانات التدريب في السياق، ويصمد عند حذف ما يصل إلى 75% من روابط المفاتيح الخارجية، ولا يتراجع أداؤه تقريبًا عند إضافة أعمدة ضوضاء.
• الحجم: يعالج kumo-engine قواعد بيانات تتجاوز 500 مليار صف عبر memory-mapped I/O بسرعة تصل إلى 5 غيغابايت/ثانية.

يذكر المؤلفون القيود بأنفسهم. يعمل النموذج بأفضل صورة حيث توجد روابط ذات معنى وديناميكية زمنية، مثل سلوك المستخدمين. أما في المهام ذات عينات التدريب الكبيرة جدًا، فقد تتفوق نماذج التعلم الخاضع للإشراف المتخصصة. ويجب أن تقع الإشارة التنبؤية ضمن عدد محدود من القفزات عبر الروابط.

كيف تشغّله وأين توفّر

التوفير الرئيسي هنا في ساعات الهندسة لا في التوكنات. فبدلًا من خط معالجة منفصل لكل مهمة، هناك نموذج واحد ومجموعة استعلامات. يتحول أي تنبؤ جديد إلى سطر PQL، وتستطيع الفرق أن تتناول سيناريوهات لم تكن تغطي كلفة تطويرها سابقًا. وبالنسبة إلى الوكلاء (agents) تعمل PQL كواجهة بسيطة: يقرأ الـ LLM ويستدل، ويقدم Kumo Relational التنبؤ، مثل تحديد العميل الذي سينسحب.

يمكن التشغيل بثلاث طرق. الأولى: المكتبة المفتوحة structured-data-models (`pip install structured-data-models`) الأصلية لوحدات GPU، حيث يقبل `sdm.models.KumoRelational(device="cuda")` الجداول السياقية وجداول الاستعلام والجداول المرتبطة. وتُجلب الأوزان من Hugging Face Hub عند أول استخدام. الثانية: النشر بصيغة NVIDIA NIM مع العميل structured-data-models-client، حيث يتحول استعلام PQL وpandas DataFrame إلى سياق تلقائيًا. ويتضمن المستودع دفاتر ملاحظات (notebooks) لـ NIM المحلي ولـ Databricks. الثالثة: kumo-engine مع موصلات لقواعد البيانات والمستودعات للأحجام الكبيرة.

الشيفرة المصدرية منشورة برخصة Apache 2.0، والأوزان برخصة OpenMDW License Agreement 1.1. والاختبار العملي بسيط: خذ مهمة إنتاجية تعمل على XGBoost، مثل الانسحاب أو الطلب، وشغّلها على Kumo Relational، وقارن المقاييس ووقت التطوير. وإذا كانت الإشارة في البيانات تبعد عن الهدف بقفزتين عبر المفاتيح، فمن المرجح أن تتمكن من استبدال خط المعالجة.