Databricks muestra cómo la IA predice sobre tablas sin entrenamiento: hasta 1 millón de filas
Normalmente, para cada tarea sobre una tabla —riesgo crediticio, abandono de clientes— se entrena un modelo específico. Databricks ha publicado el código de cinco modelos de IA que se ajustan a sus ejemplos en el mismo momento de la predicción. En las GPU Nvidia H100, TabPFN-3 procesa hasta 1 millón de filas, pero cada predicción sale más cara que con el boosting XGBoost en un procesador convencional. Antes de implantarlo, compare los modelos con sus propios datos.
Procesado por IA desde TNW; editado por Hamidun News
Imagine que un banco necesita evaluar el riesgo de las solicitudes de crédito, y una tienda quiere saber qué clientes se irán pronto. Son datos tabulares: las filas son clientes y las columnas, variables como la edad, el importe de las compras o el número de impagos. Normalmente, el equipo entrena un modelo distinto para cada una de estas tareas, casi siempre boosting con XGBoost, y lo reentrena con regularidad.
El lunes, Databricks presentó otro camino: modelos de IA que predicen sobre una tabla sin entrenamiento específico para la tarea. La compañía publicó una guía y código abierto para cinco de estos modelos. Según sus datos, en las GPU Nvidia H100 uno de ellos, TabPFN-3, trabaja con tablas de hasta 1 millón de filas y 200 columnas.
Cómo funciona, en pocas palabras
A estos modelos se les llama fundacionales para tablas. Se entrenan de antemano con millones de tablas artificiales para aprender patrones generales: cómo suelen relacionarse las columnas, cómo son el ruido y los valores atípicos. Cuando una empresa aporta su propia tabla, no hace falta reentrenar nada. Usted le pasa al modelo ejemplos de filas con respuestas conocidas, por ejemplo clientes anteriores que se fueron o se quedaron, y el modelo se ajusta a ellos en el mismo momento de la predicción.
Es parecido a un analista experimentado. No construye un modelo nuevo desde cero, sino que mira sus casos anteriores y evalúa al instante uno nuevo. Databricks publicó código que compara cinco modelos: TabICLv2, Mitra v2, KumoTabular, TabFM y el reciente TabPFN. La propuesta es ejecutarlos en AI Runtime, el servicio de GPU de Databricks con pago por uso, que está en vista previa desde marzo.
La tendencia gana adeptos. SAP, que colabora estrechamente con Databricks, trabaja con Prior Labs, creadora de TabPFN, y H2O.ai también ha lanzado su propio desarrollo en este campo.
El inconveniente
Databricks reconoce las limitaciones, y son importantes. La primera es el coste. Una predicción en GPU sale más cara que con XGBoost clásico en un procesador convencional. Si maneja un flujo de millones de predicciones al día, la diferencia se convierte rápidamente en una partida visible en la factura.
La segunda es la memoria. En cada predicción, el modelo vuelve a leer toda la muestra de entrenamiento, así que el consumo de memoria crece con el número de filas. En el boosting tradicional, en cambio, tras el entrenamiento el modelo ya listo pesa poco y funciona rápido.
La tercera son las licencias. TabICLv2, Mitra v2 y KumoTabular pueden usarse comercialmente. TabFM y la versión más reciente de TabPFN, en cambio, hay que contratarlas mediante un acuerdo aparte con sus autores. Si su plan era adoptar desde el primer momento el modelo más reciente y potente, revise antes las condiciones.
La propia Databricks aconseja no fiarse de promesas y comprobar primero los modelos con datos propios. De la publicación no se deduce que los modelos fundacionales para tablas superen al boosting en precisión en todos los casos. Es una herramienta nueva con sus fortalezas, no un reemplazo de todo lo que funcionaba antes.
Qué deben hacer los profesionales
La principal ventaja de este enfoque es la rapidez para empezar. Si necesita validar una hipótesis con rapidez, crear un prototipo o resolver una tarea para la que no tiene recursos para un ciclo completo de ML, un modelo listo sin entrenamiento puede ahorrarle semanas. Resulta especialmente útil cuando hay pocos datos etiquetados y no compensa construir un pipeline de reentrenamiento para una sola tarea.
Para la producción masiva con un presupuesto ajustado por predicción, XGBoost y sus equivalentes en CPU siguen siendo, por ahora, más fiables y baratos. Un esquema razonable consiste en prototipar con un modelo fundacional para tablas, comparar su calidad con el boosting sobre los mismos datos y después decidir si merece la pena pagar la GPU de forma permanente.
El código abierto de Databricks permite comparar cinco modelos en un mismo entorno sin montar la infraestructura por cuenta propia. Para los equipos que ya trabajan con Databricks, es una forma rápida de saber si la idea rinde con sus tablas. Al resto le conviene revisar antes las restricciones de licencia y el coste por predicción antes de incorporar un modelo así a su arquitectura.
- 21 nov 2026Nvidia duplicó sus beneficios, pero sus acciones cayeron un 2% por la búsqueda de un nuevo consejero delegado
- 21 nov 2026Nous Research reentrenó Qwen3.8 y la propaganda en sus respuestas bajó del 22% al 1%
- 21 nov 2026Samsung quiere comprar Modine, proveedor de refrigeración para centros de datos, por casi 6000 millones de dólares
- 21 nov 2026Reuters: los proyectos de IA en China por 3.200 millones de dólares dependen de los chips de Nvidia, y Huang deja la compañía
Preguntas frecuentes sobre la noticia
Cómo funciona, en pocas palabras?
A estos modelos se les llama fundacionales para tablas. Se entrenan de antemano con millones de tablas artificiales para aprender patrones generales: cómo suelen relacionarse las columnas, cómo son el ruido y los valores atípicos. Cuando una empresa aporta su propia tabla, no hace falta reentrenar nada. Usted le pasa al modelo ejemplos de filas con respuestas conocidas, por ejemplo clientes anteriores que se fueron o se quedaron, y el modelo se ajusta a ellos en el mismo momento de la predicción.
¿Qué se sabe sobre El inconveniente?
Databricks reconoce las limitaciones, y son importantes. La primera es el coste. Una predicción en GPU sale más cara que con XGBoost clásico en un procesador convencional. Si maneja un flujo de millones de predicciones al día, la diferencia se convierte rápidamente en una partida visible en la factura. La segunda es la memoria. En cada predicción, el modelo vuelve a leer toda la muestra de entrenamiento, así que el consumo de memoria crece con el número de filas.
¿Qué se sabe sobre Qué deben hacer los profesionales?
La principal ventaja de este enfoque es la rapidez para empezar. Si necesita validar una hipótesis con rapidez, crear un prototipo o resolver una tarea para la que no tiene recursos para un ciclo completo de ML, un modelo listo sin entrenamiento puede ahorrarle semanas. Resulta especialmente útil cuando hay pocos datos etiquetados y no compensa construir un pipeline de reentrenamiento para una sola tarea.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.