NVIDIA Kumo Relational يتفوق على التعلم المُوجَّه بلا تدريب على البيانات العلائقية
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت NVIDIA نموذج Kumo Relational، أول نموذج أساس علائقي قليل الأمثلة يتفوق على التعلم المُوجَّه عبر 41 مهمة في 15 قاعدة بيانات، ويتجاوز تجميعات AutoGluon بنسبة 8% في MRR على معيار SAP SALT. يعمل دون تدريب أو هندسة ميزات، ويقرأ حتى 10,000 مثال سياقي في تمريرة أمامية واحدة، ويتوسع لقواعد بيانات تتجاوز 500 مليار صف، ومتاح اليوم بترخيص Apache 2.0 للأكواد وOpenMDW 1.1 للأوزان.
NVIDIA تُطلق Kumo Relational: أول نموذج أساس علائقي يتفوق على التعلم المُوجَّه دون تدريب
أعلنت NVIDIA رسمياً عن إتاحة Kumo Relational اليوم، وهو نموذج أساس علائقي مُدرَّب مسبقاً يُجري تنبؤات مباشرة على قواعد بيانات المؤسسات دون تدريب خاص بالمهمة أو هندسة ميزات أو تسطيح جداول. النموذج متاح فوراً عبر مكتبة structured-data-models مفتوحة المصدر وكخدمة NVIDIA NIM، ويتفوق على AutoGluon بنسبة 8% في MRR على معيار SAP SALT، وأسرع بنحو 430 مرة من أعلى نموذج في لوحة RelArena-α.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | مجاني للاستخدام: الكود بترخيص Apache 2.0 والأوزان بترخيص OpenMDW 1.1؛ الأوزان تُحمَّل من Hugging Face Hub عند أول استخدام. لا توجد أسعار توكنز معلنة — النموذج يعمل بالاستدلال السياقي على البيانات الجدولية لا على تسعير الرموز النصية. |
| 🌐 المنصات والتوفر الفوري | متاح اليوم عبر: مكتبة NVIDIA structured-data-models (GPU-native، مفتوحة المصدر)، خدمة NVIDIA NIM، structured-data-models-client، دفاتر GPU، وبيئة Databricks. موصلات لقواعد البيانات والمستودعات، ومحرك رسم بياني مخصص. |
| ⚡ الأداء ومؤشرات السرعة | +8% MRR مقابل AutoGluon على SAP SALT (و+16% بعد الضبط الدقيق)؛ +25% مقابل نماذج الجداول الأساسية الحديثة؛ +7 نقاط MRR مقابل XGBoost جاهزاً و+13 بعد الضبط؛ ~4 نقاط AUROC على RelBench V1؛ أسرع 430 مرة من أعلى نموذج في RelArena-α (17 ثانية مقابل 7,300 ثانية لكل 1,000 عينة)؛ Elo 1,842 على الحد الأمثل للدقة-الكفاءة. |
| 🛡️ الأمان ومقاومة الاختراق | منع تسريب البيانات عبر إعادة تشغيل الحالات التاريخية للقاعدة (بيانات ما قبل الطابع الزمني فقط)؛ استقرار عند إزالة 75% من روابط المفاتيح الأجنبية؛ أداء مستقر مع 0.2% فقط من بيانات التدريب كسياق؛ متانة أمام الأعمدة المشوِّشة. |
| 🧠 سياق الذاكرة (Context Window) | حتى 10,000 مثال سياقي في التمريرة الأمامية الواحدة؛ توسع لقواعد بيانات تتجاوز 500 مليار صف عبر محرك رسم بياني بإدخال/إخراج معيَّن بالذاكرة بسرعة تصل إلى 5 جيجابايت/ثانية. |
| 🌍 دعم اللغة العربية والمنطقة | النموذج متخصص في البيانات العلائقية والجدولية (أرقام، فئات، طوابع زمنية) وليس في معالجة النصوص العربية؛ واجهة PQL إنجليزية لكنه يعمل على قواعد بيانات عربية المحتوى دون تكلفة توكنز نصية، ما يجعله متاحاً عملياً للمؤسسات في المنطقة. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعمل Kumo Relational مباشرة على قاعدة البيانات مع احترام الجداول والمفاتيح الأجنبية والطوابع الزمنية، بدلاً من تسطيح العلاقات في صف واحد عبر تجميع يدوي يفقد الإشارات البنيوية الدقيقة. يُدرَّب النموذج مسبقاً مرة واحدة على بيانات علائقية اصطناعية تُحاكي قواعد بيانات العالم الحقيقي، ثم يتكيف مع كل مهمة جديدة عبر التعلم السياقي بقراءة حتى 10,000 مثال، حيث يقترن كل مثال برسم فرعي محلي حول كيان في لحظة زمنية مع هدفه الحقيقي (مثل "هذا المستخدم غادر" أو "هذا الصنف بيع منه 142 وحدة").
تتوزع المعمارية على ثلاث مراحل: توليد السياق التلقائي عبر لغة الاستعلام التنبؤي PQL التي تُعيد تشغيل الحالات التاريخية للقاعدة لمنع تسريب البيانات؛ ثم الاستدلال داخل الجداول بشبكة خفيفة تناوب بين انتباه الأعمدة وانتباه الصفوف لتصفية الضوضاء؛ ثم الاستدلال عبر الجداول بشبكة أكبر توزع تمثيلات الصفوف عبر البنية العلائقية بانتباه رسم بياني على علاقات المفاتيح الأولية/الأجنبية، متشابكاً مع انتباه عبر العينات. ولأن هذه المرحلة تعمل على تمثيلات الصفوف لا على كل خلية، تتجنب التكلفة التربيعية وتتوسع للسياقات الكبيرة والرسوم الأعمق.
يُقدَّم النموذج عبر مكتبة NVIDIA الجديدة GPU-native structured-data-models (نفس المكتبة التي تشغّل النموذج الشقيق Kumo Tabular)، أو كخدمة NVIDIA NIM مستقلة يُوجَّه إليها structured-data-models-client من دفتر ملاحظات، مع دعم بيئة Databricks ودفاتر GPU.
المقارنة المعيارية والأداء التنافسي
قُيِّم النموذج على 41 معياراً في 15 قاعدة بيانات علائقية من RelBench V1 وV2 وSAP SALT و4DBInfer، تغطي التجارة الإلكترونية والطب والمؤسسات والشبكات الاجتماعية والأوساط الأكاديمية، ولم تُشاهد أي منها في التدريب المسبق. يتفوق النموذج على أقوى النماذج المُوجَّهة في التصنيف والانحدار، بما فيها نماذج التعلم العميق العلائقي وتجميعات الجداول المُهندَسة خبيراً. على RelBench V1 يتجاوز أشجار التعزيز المتدرج على ميزات مُهندَسة خبيراً بنحو 4 نقاط AUROC، وعلى SAP SALT يتجاوز AutoGluon بنسبة 8% في MRR (و16% بعد الضبط الدقيق) ونماذج الجداول الأساسية الحديثة بنحو 25%. على لوحة RelArena-α يحتل الحد الأمثل للدقة-الكفاءة بـElo 1,842 عند نحو 17 ثانية لكل 1,000 عينة، مقابل 7,300 ثانية لأعلى نموذج (rt-plurel) عند Elo 1,878 — أي أسرع بنحو 430 مرة بكفاءة مماثلة.
يُظهر النموذج متانة تحت ظروف صعبة: أداء جيد بـ0.2% فقط من بيانات التدريب كسياق، واستقرار عند إزالة 75% من روابط المفاتيح الأجنبية، وتدهور طفيف عند إضافة أعمدة مشوِّشة. ويبقى أفضل على البيانات ذات العلاقات الزمنية الدلالية، بينما قد تتفوق النماذج المُوجَّهة الخاصة بالمهمة على مجموعات التدريب الضخمة جداً — وهنا يأتي دور الضبط الدقيق.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
لا يعتمد Kumo Relational على معالجة النصوص الطبيعية، بل على القيم الرقمية والفئية والطوابع الزمنية داخل قواعد البيانات، ما يعني أن كفاءة "التوكنز" العربية غير ذات صلة هنا — فلا تكلفة رموز نصية تُدفع أصلاً، والنموذج مجاني بترخيص مفتوح. هذا يخفض حاجز الدخول للمشاريع الناشئة في العالم العربي التي تدير بيانات علائقية (تجارة إلكترونية، اتصالات، بنوك، لوجستيات) وترغب في تنبؤات تسرّب العملاء والطلب والاحتيال دون فريق هندسة ميزات مكلف. عملياً، يمكن لمهندس واحد في دبي أو الرياض ربط قاعدة بيانات PostgreSQL أو مستودع Databricks وتشغيل استعلام PQL والحصول على تنبؤات في تمريرة واحدة، مع دعم عربي كامل لمحتوى الجداول. القيد الوحيد أن واجهة PQL إنجليزية والوثائق إنجليزية، ما يستدعي تكيّفاً بسيطاً من الفرق المحلية.
الخلاصة والتطلعات القادمة
يمثل Kumo Relational تحولاً نموذجياً في التعلم الآلي للمؤسسات: من خطوط أنابيب لكل مهمة إلى نموذج واحد مُدرَّب مسبقاً يُستدعى باستعلام. الأرقام الصلبة — +8% MRR على SAP SALT، وأسرع 430 مرة، وتوسع لـ500 مليار صف، وترخيص مفتوح — تجعله بديلاً جدياً لخطوط إنتاج XGBoost. الخطوة التالية للمطورين هي تجربة دفتر البدء السريع على بياناتهم الخاصة، ومراقبة ما إذا كانت NVIDIA ستوسع دعم اللغات في واجهة PQL والوثائق.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | الورقة البحثية: arXiv:2604.12596 | التوثيق: NVIDIA Docs | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
