※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
Hugging Faceのブログにおいて2026年10月22日、NVIDIAは事前学習済みリレーショナル基盤モデルKumo Relationalを発表しました。本モデルは、企業データベースに対して直接予測を行うことが可能です。
発表によると、予測クエリが与えられると、履歴の例をコンテキストとして収集し、単一のフォワードパスで解約、需要、不正などの結果を予測します。タスク固有のトレーニングや特徴量エンジニアリング、テーブルの平坦化（フラット化）を必要としないのが特徴です。
Kumo Relationalは、一般的なリレーショナルベンチマークにおいて、教師あり機械学習を上回る初の少ショット基盤モデルです。15のデータベースにおける41のタスクを通じて、教師ありリレーショナルのディープラーニングモデルや、専門家が設計した勾配ブースティング木（GBDT）のパイプラインを凌駕しています。また、SAP SALTの企業向けベンチマークでは、平均逆順位（MRR）においてAutoGluonアンサンブルを8%上回る成績を記録しています。
本モデルは、5000億行を超える行数を持つデータベースに拡張可能であり、NVIDIAのオープンソースであるGPUネイティブのstructured-data-modelsおよびkumo-engineライブラリを介して、あるいはNVIDIA NIMとして利用できます。
この記事のポイント
- トレーニング不要の予測: タスク固有のトレーニングや特徴量エンジニアリング、テーブルの平坦化を行うことなく、データベース上の予測を単一のフォワードパスで実行します。
- 優れた予測精度: RelBench V1の分類タスクでは、専門家が設計した特徴量を用いる勾配ブースティング木を平均で約4 AUROCポイント上回ります。
- 大規模データベースへの対応: 5000億行を超える行数を持つデータベースへのスケーリングが可能です。
- 多様な提供形態: オープンソースのライブラリやNVIDIA NIMとして提供され、人間だけでなくエージェントからも利用できるように構築されています。
考察（筆者の見解）
事実として、Kumo Relationalは事前のタスク固有のトレーニングを必要とせず、SAP SALTベンチマークでAutoGluonアンサンブルをMRRで8%上回るなどの成果を示しています。また、予測クエリ言語（PQL）を通じてエージェントからの呼び出しを想定した設計になっています。
ここから、推測として、従来のデータサイエンス業務において大きなボトルネックとなっていた特徴量エンジニアリングやパイプライン構築の工数が大幅に削減される可能性があります。特に、人間だけでなくAIエージェントが自律的にデータベースへ予測を問い合わせるユースケースにおいて、業務プロセスの自動化がさらに加速すると見られます。
筆者の意見としては、構造化データ分野における基盤モデルの台頭は、自然言語処理やビジョン分野で見られたパラダイムシフトと同様に、企業システムにおける機械学習の導入障壁を劇的に下げる転換点になると考えられます。
コメント