NVIDIA Kumo Relational: dự báo từ dữ liệu nhiều bảng không cần train riêng
Kumo Relational là foundation model của NVIDIA cho dữ liệu quan hệ. Model đọc trực tiếp nhiều bảng, khóa ngoại và timestamp, dùng tối đa 10.000 ví dụ lịch sử để dự báo churn, nhu cầu hoặc gian lận mà không cần huấn luyện riêng cho từng tác vụ.
Dự báo khách hàng sắp rời bỏ dịch vụ, nhu cầu sản phẩm hay giao dịch đáng nghi thường không khó ở mô hình. Phần khó là dữ liệu: khách hàng, đơn hàng, sản phẩm và lịch sử tương tác nằm ở nhiều bảng khác nhau.
Quy trình ML quen thuộc là gộp các bảng, tự tạo feature như giá trị mua gần đây, rồi huấn luyện một model riêng cho từng bài toán. NVIDIA vừa giới thiệu một hướng khác: Kumo Relational, foundation model có thể đọc trực tiếp cấu trúc dữ liệu quan hệ để đưa ra dự báo mà không cần huấn luyện riêng theo tác vụ.
Kumo Relational là gì?
Kumo Relational là một relational foundation model — foundation model dành cho cơ sở dữ liệu quan hệ. Thay vì ép dữ liệu thành một bảng phẳng, model làm việc với:
các bảng liên kết với nhau;
khóa chính và khóa ngoại;
dữ liệu có mốc thời gian;
lịch sử sự kiện của từng thực thể.
Theo NVIDIA, người dùng mô tả mục tiêu bằng Predictive Query Language (PQL), một giao diện khai báo: nêu điều cần dự báo thay vì tự xây toàn bộ pipeline lấy dữ liệu, tạo feature và huấn luyện model.
Các ví dụ NVIDIA nêu gồm dự báo:
khách hàng có nguy cơ churn;
nhu cầu của sản phẩm;
giao dịch có khả năng gian lận.
Với một tác vụ mới, Kumo Relational có thể dùng tối đa 10.000 ví dụ lịch sử có nhãn làm ngữ cảnh. Đây là cách học theo ngữ cảnh (in-context learning): model thích nghi với câu hỏi mới trong lúc suy luận, thay vì phải cập nhật trọng số bằng một đợt huấn luyện riêng.
Khác gì với pipeline ML nhiều bảng?
Dữ liệu doanh nghiệp hiếm khi nằm gọn trong một file CSV. Một khách hàng có thể liên kết với nhiều đơn hàng; mỗi đơn hàng liên kết với sản phẩm; còn hỗ trợ khách hàng, thanh toán hay thiết bị lại nằm ở các bảng khác.
Khi làm phẳng các mối quan hệ này, đội dữ liệu thường phải tự quyết định cách tổng hợp: chẳng hạn doanh thu 30 ngày gần nhất hoặc số lần mua hàng. NVIDIA lập luận rằng công đoạn này tốn công và có thể bỏ qua các tín hiệu chi tiết trong lịch sử cũng như cấu trúc quan hệ.
Kumo Relational được thiết kế để xử lý trực tiếp các kết nối đó. Về kiến trúc, model thực hiện ba việc chính:
Đọc giá trị trong từng bảng.
Liên kết các bản ghi qua khóa chính và khóa ngoại.
So sánh thực thể cần dự báo với các ví dụ lịch sử đã có kết quả.
Theo mô tả của NVIDIA, model dùng attention theo hàng và cột trong từng bảng, sau đó dùng graph attention để truyền thông tin qua các quan hệ giữa bảng. Có thể hiểu đơn giản: model học cách ưu tiên những bản ghi và liên kết quan trọng hơn cho câu hỏi dự báo hiện tại.
Cách hệ thống hạn chế “nhìn trước tương lai”
Một lỗi phổ biến khi xây dựng hệ thống dự báo là data leakage: dữ liệu đầu vào vô tình chứa thông tin chỉ xuất hiện sau thời điểm cần dự báo.
Ví dụ, không thể dùng trạng thái “đã hủy” để dự báo khách hàng có hủy dịch vụ hay không. Mô hình có thể đạt điểm rất cao trong thử nghiệm, nhưng không còn hữu ích khi đưa vào vận hành.
Với tác vụ theo thời gian, NVIDIA cho biết Kumo Relational tái tạo trạng thái lịch sử của cơ sở dữ liệu tại một mốc thời gian. Model chỉ nhận dữ liệu trước mốc đó, trong khi nhãn được tính từ các sự kiện xảy ra sau mốc. NVIDIA gọi đây là quá trình tự động tạo ngữ cảnh.
NVIDIA báo cáo kết quả ra sao?
NVIDIA đánh giá Kumo Relational trên 41 tác vụ thuộc 15 cơ sở dữ liệu quan hệ, gồm RelBench V1/V2, SAP SALT và 4DBInfer. Theo nhóm phát triển, các bộ dữ liệu này không được dùng trong giai đoạn pre-training.
NVIDIA cho biết Kumo Relational vượt các mô hình relational deep learning có giám sát và các pipeline gradient-boosted tree với feature do chuyên gia xây dựng, ở cả bài toán phân loại lẫn hồi quy.
Một số số liệu được NVIDIA công bố:
Trên các tác vụ phân loại của RelBench V1, model cao hơn gradient-boosted trees gần 4 điểm AUROC trung bình.
Trên benchmark SAP SALT, model cao hơn AutoGluon ensembles 8% theo MRR (mean reciprocal rank).
AUROC phản ánh khả năng xếp các trường hợp dương tính cao hơn các trường hợp âm tính. MRR đo chất lượng xếp hạng: kết quả đúng xuất hiện càng sớm trong danh sách ưu tiên, điểm càng cao.
Đây là kết quả do NVIDIA báo cáo, nên chưa nên xem là cam kết hiệu năng cho dữ liệu nội bộ của mọi doanh nghiệp.
Có thể dùng Kumo Relational ở đâu?
NVIDIA cho biết Kumo Relational được cung cấp qua thư viện mã nguồn mở, GPU-native structured-data-models, hoặc dưới dạng NVIDIA NIM.
Với một đội kỹ thuật, điểm xuất phát hợp lý là chọn bài toán đã có nhãn lịch sử rõ ràng, chẳng hạn churn hoặc nhu cầu sản phẩm. Trước khi đánh giá model, vẫn cần xác định:
bảng thực thể chính và các bảng liên quan;
khóa ngoại kết nối dữ liệu;
mốc thời gian được phép dùng để dự báo;
định nghĩa nhãn nghiệp vụ.
PQL giúp mô tả mục tiêu dự báo, nhưng không thay thế việc hiểu schema, kiểm tra timestamp và đánh giá data leakage.
Những giới hạn cần lưu ý
Kumo Relational được pre-train trên dữ liệu quan hệ tổng hợp, được tạo để phản ánh đặc điểm của dữ liệu thực tế. Cách tiếp cận này giúp giải quyết tình trạng thiếu dữ liệu quan hệ công khai quy mô lớn, nhưng không đồng nghĩa model sẽ tự hiểu mọi quy tắc riêng của một doanh nghiệp.
“Không cần feature engineering” cũng không có nghĩa “không cần hiểu dữ liệu”. Đội triển khai vẫn cần kiểm tra chất lượng khóa ngoại, mốc thời gian, nhãn và quyền truy cập vào các bảng nhạy cảm.
NVIDIA cũng cho biết hệ thống được thiết kế để mở rộng tới cơ sở dữ liệu có hơn 500 tỷ hàng. Tuy nhiên, phần giới thiệu không nêu chi tiết chi phí hạ tầng, yêu cầu GPU, độ trễ hay cách vận hành cho từng quy mô triển khai.
Vì sao tin này đáng chú ý?
Giá trị đáng chú ý của Kumo Relational nằm ở tham vọng đưa dự báo trên dữ liệu nhiều bảng đến gần trải nghiệm “đặt một câu hỏi” hơn là khởi động một dự án ML mới.
Nếu kết quả được lặp lại trên dữ liệu nội bộ, mô hình này có thể giảm bớt công sức tạo feature và huấn luyện riêng cho những use case dự báo thường gặp. Bước thực tế nhất là chọn một bài toán có nhãn sẵn, dựng benchmark nội bộ nghiêm ngặt và so sánh với pipeline hiện có trước khi đưa ra quyết định triển khai.