21 октября 2026 года NVIDIA представила Kumo Relational — предобученную модель, которая строит прогнозы прямо по связанным таблицам базы данных: кто из клиентов уйдёт, сколько закажут, какая операция похожа на мошенничество. Отдельную модель под каждую задачу обучать не нужно: Kumo Relational берёт до 10 000 исторических примеров из самой базы как контекст и выдаёт прогноз за один проход. По данным разработчиков, на 41 задаче из 15 баз она обошла обученные с учителем модели. Для бизнеса это шанс быстрее проверить идею прогноза, но не повод отказываться от собственной проверки на своих данных.
Материал подготовлен AIrassvet 22 октября 2026 года для руководителей, финансовых и ИТ-директоров, которые решают, стоит ли запускать прогнозирование на данных CRM, учётной системы или интернет-магазина. Разбор опирается на публикацию NVIDIA в блоге Hugging Face, научную статью о KumoRFM-2, карточку модели и документацию. Собственных тестов модели мы не проводили: все цифры качества получены разработчиками на открытых бенчмарках.
Содержание
- Кратко
- Что входит и не входит в разбор
- Что произошло 21 октября
- Как работает Kumo Relational
- Что показали тесты разработчиков
- Чем это отличается от привычного ML-проекта
- Ограничения и открытые вопросы
- Что делать компании сейчас
- Частые вопросы
- Первоисточники и метод
Кратко
- Что вышло: Kumo Relational — реляционная фундаментальная модель NVIDIA. Она читает несколько связанных таблиц (клиенты, заказы, товары) с учётом ключей и дат и прогнозирует отток, спрос, мошенничество, а также ранжирует связанные объекты для рекомендаций.
- Главное отличие: нет этапа обучения под задачу и ручной подготовки признаков. Прогноз формулируется запросом на языке PQL, а модель учится «на лету» на примерах из истории базы.
- Заявленный результат: на 41 задаче из 15 баз модель опередила обученные модели, включая градиентный бустинг на признаках, собранных экспертами. Это данные разработчиков, а не независимая проверка.
- Как получить: код открыт под Apache 2.0, веса лежат на Hugging Face под лицензией OpenMDW 1.1, есть вариант в виде сервиса NVIDIA NIM. Для запуска нужна видеокарта NVIDIA.
- Что делать: выбрать одну задачу прогноза, где уже есть базовый метод, и сравнить модель с ним на отложенном периоде собственной истории.
Что входит и не входит в разбор
В разборе: что NVIDIA выпустила 21 октября, как устроена модель, какие результаты заявлены, чем подход отличается от классического ML-проекта, какие у него ограничения и как компании проверить его на своих данных.
Вне разбора: пошаговая установка библиотеки и NIM, синтаксис PQL целиком, юридическая оценка лицензии OpenMDW и сравнение со всеми табличными фундаментальными моделями. Для этого используйте документацию NVIDIA и консультацию юриста.
Что произошло 21 октября
21 октября 2026 года команда Kumo в NVIDIA опубликовала в блоге Hugging Face статью NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required. В публикации NVIDIA даёт ссылки на всё, что нужно для запуска:
- веса модели в репозитории nvidia/Kumo-Relational;
- открытая библиотека structured-data-models для запуска на своей видеокарте;
- клиент structured-data-models-client для работы с моделью, развёрнутой как сервис NVIDIA NIM;
- документация, где перечислены типы задач: классификация, регрессия, прогноз числовых значений на горизонт и предсказание связей (рекомендации).
Научная основа описана раньше — в статье KumoRFM-2: Scaling Foundation Models for Relational Learning, отправленной на arXiv 14 апреля 2026 года. Карточка модели прямо указывает, что Kumo Relational основана на KumoRFM-2.
Новость важна не очередной цифрой в бенчмарке, а сменой подхода. Языковые модели уже заменили отдельные модели под каждую текстовую задачу. NVIDIA утверждает, что тот же сдвиг начался для табличных и реляционных данных, на которых держатся продажи, склад и финансы.
Как работает Kumo Relational
Kumo Relational — это предобученная модель для связанных таблиц, которая делает прогноз по примерам, переданным вместе с запросом, вместо обучения отдельной модели под каждую задачу. В терминах машинного обучения это обучение в контексте (in-context learning), как у языковых моделей, которым показывают несколько примеров в промпте.
Процесс по описанию разработчиков выглядит так:
- Подключение базы. Модель работает с таблицами как есть: с первичными и внешними ключами и метками времени. Сводить всё в одну плоскую таблицу с агрегатами вроде «средний чек за 30 дней» не нужно.
- Запрос на PQL. Задача описывается декларативно — что предсказать, а не как. Пример из документации:
PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id— сколько заказов сделает каждый пользователь в ближайшие 30 дней. - Сбор контекста. Система «прокручивает» историю базы: берёт состояние данных на прошлые даты, вычисляет, что произошло после них, и формирует до 10 000 примеров с известным ответом. Модели при этом показываются только данные до выбранной даты, чтобы исключить утечку будущего в обучение.
- Прогноз. Модель сначала разбирает каждую таблицу (связи между столбцами и строками), затем передаёт информацию по связям между таблицами и сопоставляет текущий объект с примерами. Ответ получается за один проход, без шагов обучения.
Если нужна максимальная точность, модель можно дообучить на конкретных данных и задаче. По словам разработчиков, этот режим рассчитан на случаи с очень большими обучающими выборками.
Что показали тесты разработчиков
Все цифры ниже взяты из публикации NVIDIA и статьи о KumoRFM-2. Их получили сами авторы на открытых наборах данных, которые, по их словам, не использовались при предобучении.
| Что сравнивали | Результат по данным разработчиков |
|---|---|
| 41 задача на 15 базах (RelBench V1 и V2, SAP SALT, 4DBInfer) | Kumo Relational опережает сильнейшие обученные модели в классификации и регрессии |
| Классификация RelBench V1 против градиентного бустинга на признаках от экспертов | В среднем почти на 4 пункта AUROC выше |
| Корпоративный бенчмарк SAP SALT против XGBoost на подготовленных признаках | На 7 пунктов MRR выше без дообучения и на 13 пунктов после дообучения |
| SAP SALT против ансамблей AutoGluon | На 8% выше по MRR без дообучения и на 16% после дообучения |
| Лидерборд RelArena-α, скорость | Около 17 секунд медианного времени на 1 000 прогнозов; лучшая по точности система показывает близкий результат примерно в 430 раз медленнее |
| Устойчивость | Работает при контексте в 0,2% обучающих данных и остаётся стабильной при удалении до 75% связей между таблицами |
AUROC и MRR — стандартные метрики качества: первая показывает, насколько хорошо модель отделяет, например, уходящих клиентов от остающихся, вторая — насколько высоко в ранжированном списке стоит правильный ответ.
Важная оговорка: открытые бенчмарки — это подготовленные исследовательские наборы из e-commerce, медицины, корпоративных, социальных и академических систем. В данных компании из 1С, CRM и Excel-выгрузок могут встречаться расхождения ключей, пропуски дат и ручные правки, которых в бенчмарках может не быть. Поэтому таблица отвечает на вопрос «стоит ли пробовать», а не «сработает ли у нас».
Чем это отличается от привычного ML-проекта
Классический проект прогноза оттока или спроса устроен как отдельная разработка: аналитик собирает данные в одну таблицу, инженер придумывает признаки, модель обучают, подбирают параметры, выкатывают и затем поддерживают. Для каждой новой задачи цикл повторяется. Подробнее о таком подходе — в статьях про прогноз оттока клиентов и прогнозирование спроса с ИИ.
| Этап | Классический подход | Kumo Relational |
|---|---|---|
| Подготовка данных | Свести таблицы в одну, рассчитать агрегаты | Описать таблицы, ключи и даты |
| Признаки | Придумывает и проверяет инженер | Модель сама находит значимые столбцы и связи |
| Обучение | Отдельная модель под каждую задачу | Не требуется; дообучение — по желанию |
| Новая задача | Новый проект | Новый запрос на PQL |
| Требования к железу | Часто достаточно процессора | Нужна видеокарта NVIDIA (CUDA) |
| Проверка качества | Обязательна | Обязательна |
Последняя строка таблицы — главная. Модель экономит недели на признаках и обучении, но не отменяет работы с данными: таблицы должны быть связаны ключами, у событий должны быть даты, а история — достаточно длинной, чтобы из неё можно было собрать примеры. Как подготовить такие данные, мы разбирали в материале о подготовке данных для внедрения ИИ.
Отдельно NVIDIA подчёркивает работу с ИИ-агентами: модель можно вызывать как инструмент, и агент получает не только текст, но и прогноз — например, список клиентов с высоким риском ухода, которым стоит позвонить.
Ограничения и открытые вопросы
Разработчики сами называют несколько ограничений, и их стоит учитывать до пилота:
- Тип данных. Модель лучше всего работает там, где есть осмысленные связи и динамика во времени, например история поведения клиентов. Для статичной справочной таблицы преимущество неочевидно.
- Очень большие выборки. Если обучающих данных очень много, специализированная обученная модель может немного опередить прогноз по контексту: в тестах контекст ограничивался 10 000 примеров. Для этого случая предусмотрено дообучение.
- Глубина связей. Полезный сигнал должен находиться в пределах нескольких связей от объекта прогноза. Разработчики советуют начинать с узкого запроса по нескольким таблицам и расширять граф постепенно.
- Железо. Пример запуска в карточке модели использует видеокарту (
device="cuda"). Требования к объёму видеопамяти на странице обзора документации не указаны, их нужно уточнять на своём объёме данных. - Лицензии. Код распространяется под Apache 2.0, веса — под OpenMDW 1.1, а сама модель дообучена из весов TabICLv2 под лицензией BSD-3-Clause. Условия OpenMDW стоит проверить с юристом до коммерческого использования, как и для любой открытой модели; общие принципы мы разбирали в FAQ о лицензиях открытых LLM.
- Расхождение в описании данных. В блоге сказано, что модель предобучена на полностью синтетических реляционных данных, а в аннотации статьи о KumoRFM-2 — на синтетических и реальных. Для оценки рисков это не критично, но показывает, что формулировки маркетинговой и научной публикации нужно сверять.
- Независимая проверка. На 22 октября 2026 года все приведённые результаты — данные авторов. Сторонних замеров на корпоративных данных мы не нашли.
Что делать компании сейчас
Kumo Relational снижает порог входа в прогнозирование, но решение принимают по результату на своих данных. Практичный порядок действий:
- Выберите одну задачу с понятной ценой ошибки. Например, отток клиентов на подписке, спрос по товарной группе на 30 дней или выявление подозрительных возвратов. Хорошо, если сейчас уже есть базовый метод — правило, Excel-модель или градиентный бустинг.
- Проверьте данные. Нужны связанные таблицы с ключами (клиент — заказ — товар) и датами событий за период, достаточный для нескольких циклов вашего бизнеса. Если ключи расходятся между 1С и CRM, их сначала придётся сопоставить.
- Сформулируйте метрику и критерий приёмки до теста. Например, доля ушедших клиентов среди 10% с наибольшим риском или ошибка прогноза спроса по неделям. Метрику выбирают под бизнес-решение, которое будет приниматься по прогнозу.
- Проведите ретроспективный тест. Отложите последний период истории, постройте прогноз на дату его начала и сравните модель с текущим методом на одной и той же метрике. Именно такой тест ответит, работает ли подход на ваших данных.
- Оцените инфраструктуру и лицензию. Модель можно запускать на своих серверах с видеокартой NVIDIA, и тогда данные не покидают контур компании. Параллельно юрист проверяет условия OpenMDW 1.1.
- Решите, что дальше. Если модель не хуже текущего метода, следующий шаг — встроить прогноз в процесс: список клиентов для удержания в CRM, рекомендации по закупке, очередь проверки операций.
Общий принцип внедрения прогнозной аналитики описан в материале «Прогнозная аналитика: что это такое и как применить в бизнесе».
Частые вопросы
Нужно ли обучать Kumo Relational на своих данных?
Нет, базовый режим работает без обучения: модель получает до 10 000 исторических примеров из вашей базы как контекст и сразу выдаёт прогноз. Дообучение возможно и, по данным разработчиков, повышает точность, но это отдельный шаг для случаев, когда нужна максимальная точность или данных очень много.
Какие задачи можно решать с помощью Kumo Relational?
Документация называет классификацию (уйдёт ли клиент, мошенническая ли операция), регрессию (сумма следующей покупки), прогноз числовых значений на горизонт (спрос на 30 дней) и предсказание связей для рекомендаций. Лучше всего модель работает на данных с историей событий во времени и связями между таблицами.
Можно ли запустить модель на своих серверах?
Да, веса открыты на Hugging Face, а библиотека structured-data-models загружает их при первом запуске и выполняет прогноз на вашей видеокарте NVIDIA. Второй вариант — развернуть модель как сервис NVIDIA NIM и обращаться к нему через клиент. В обоих случаях данные могут оставаться внутри контура компании.
Заменит ли Kumo Relational собственную ML-команду?
Нет. Модель убирает часть работы с признаками и обучением, но кто-то должен подготовить связанные данные, сформулировать задачу, выбрать метрику, провести ретроспективный тест и встроить прогноз в процесс. Эти шаги определяют пользу прогноза для бизнеса больше, чем выбор алгоритма.
Первоисточники и метод
- NVIDIA. NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required — блог Hugging Face, 21 октября 2026.
- Hudovernik, López, Kocijan и соавторы. KumoRFM-2: Scaling Foundation Models for Relational Learning, arXiv:2604.12596, апрель 2026.
- Карточка модели nvidia/Kumo-Relational на Hugging Face — лицензия весов, базовая модель TabICLv2, пример запуска.
- Документация NVIDIA: обзор Kumo Relational — типы задач и варианты развёртывания.
- Код: structured-data-models и structured-data-models-client.
Мы проверили доступность и содержание источников 22 октября 2026 года. Результаты бенчмарков принадлежат разработчикам и получены в их условиях; собственного тестирования модели AIrassvet не проводил.
Как AIrassvet помогает проверить прогнозную модель на данных компании
Новая модель интересна, когда понятно, какое решение будет приниматься по её прогнозу и с чем её сравнивать. Среди направлений, указанных на сайте AIrassvet, есть те, что закрывают эту задачу:
- ML-прогнозирование и предиктивная аналитика: прогноз оттока клиентов, спроса и складских запасов, сравнение новой модели с текущим методом;
- аудит процесса и подготовка данных: сведение таблиц из учётной системы и CRM в связанную структуру с ключами и датами;
- развёртывание моделей на серверах заказчика, тестирование и запуск, чтобы прогноз попадал в рабочий процесс.
Первый шаг — выбрать один процесс прогноза и зафиксировать текущий результат, источники данных, ограничения и критерий приёмки.
Итог: прогноз без обучения стоит проверить, а не принять на веру
Kumo Relational показывает, что прогнозирование по связанным таблицам может стать запросом, а не отдельным проектом: без ручных признаков, без обучения под задачу, с открытыми весами и запуском на своём сервере. По данным разработчиков, такой подход уже опережает обученные модели на открытых бенчмарках.
Для компании практический вывод простой: возьмите одну задачу прогноза, подготовьте связанные данные и сравните модель с текущим методом на отложенном периоде своей истории. Если результат подтвердится, прогноз можно встраивать в процесс; если нет — вы потратите на проверку дни, а не месяцы.
