NVIDIA Kumo Relational：事前学習済み関係型基盤モデルによるゼロトレーニング予測の革新
関係型データにおける構造化基盤モデルのパラダイムシフト
自然言語処理（NLP）やコンピュータビジョン分野では、タスクごとに専用モデルを構築する時代から、汎用的な基盤モデル（Foundation Model）を活用するアプローチへと大きく舵が切られました。これと同様の変革が、企業の中核を担う「関係型データ（リレーショナルデータベース）」の領域でも起きています。
従来、エンタープライズ領域における機械学習パイプラインの構築には、数週間におよぶ手動のフィーチャーエンジニアリング（特徴量エンジニアリング）、複数テーブルのフラット化、そしてタスク固有の学習が不可欠でした。しかし、NVIDIAが発表した「Kumo Relational」は、事前学習済みの関係型基盤モデルとしてデータベース構造（テーブル、外部キー、タイムスタンプ）を直接認識し、追加の学習（No Training）なしで推論を可能にします。
ベンチマークにおいて、Kumo Relationalは既存の教師あり機械学習や勾配ブースティング木（XGBoost等）の性能を凌駕しています。例えば、RelBench V1の分類タスクでは専門家が設計した特徴量を用いた決定木モデルを平均約4 AUROCポイント上回り、SAP SALTエンタープライズベンチマークでは、AutoGluonのアンサンブルをMRR（Mean Reciprocal Rank）ベースで8%上回る成果を記録しています。さらに、推論時は最大10,000件の履歴コンテキスト例をインコンテキストラーニング（In-Context Learning）として読み込ませることで、単一のフォワードパスで高精度な予測値を出力します。
アーキテクチャと自動コンテキスト生成の仕組み
Kumo Relationalが従来のテーブル予測モデルと一線を画す点は、データを単一のフラットテーブルに結合（マージ）することなく、リレーショナル構造を保ったままネイティブに処理する点にあります。アーキテクチャの核心は、主に「自動コンテキスト生成」「テーブル内推論」「テーブル間推論」の3つのステップで構成されています。
-
自動コンテキスト生成（Automatic Context Generation）: 予測タスクの定義には宣言型インターフェースである「予測クエリ言語（PQL: Predictive Query Language）」を採用しています。時系列タスクにおいては、データ漏洩（Data Leakage）を防ぐため、アンカータイムスタンプに基づいた過去のデータベース状態を動的に再現し、エンティティ中心の部分グラフ（サブグラフ）をサンプリングします。
-
テーブル内推論（Reasoning Within Tables）: 軽量なニューラルネットワークが各テーブルを個別に処理します。列アテンション（列内の値の関係性把握）と行アテンション（行内の特徴量の関係性把握）を交互に適用することで、ノイズとなるカラムを効率的にフィルタリングします。
-
テーブル間推論（Reasoning Across Tables）: 主キーと外部キーの関係性を利用したグラフアテンション機構と、コンテキスト例を横断するクロスサンプルアテンションを組み合わせ、リレーショナルな推論（例：ユーザープロファイルとトランザクション履歴の紐付け）を実行します。これにより、すべてのセルを全結合するような二次的コスト（Quadratic Cost）を回避し、500B+（5,000億超）行の大規模データベースへのスケーリングを実現しています。
また、事前学習には実世界のデータベース構造を模倣した完全合成リレーショナルデータ（PluRelジェネレーターベース）が活用されており、構造的因果モデル（Structural Causal Models）に基づく多様なクロステーブル依存関係を学習することで、未知のデータセットに対しても高い汎化性能を発揮します。
開発者・エンジニア視点での考察
-
フィーチャーエンジニアリングからの解放とアジリティの向上: 従来、予測モデルの精度向上における最大のボトルネックは、ドメイン知識に基づく複雑な特徴量作成（集約やラグ計算など）でした。Kumo Relationalの導入により、PQLを用いた宣言的なクエリ記述だけでモデルが文脈を自動理解するため、MLエンジニアはパイプラインの保守運用から解放され、ビジネスロジックの検証へリソースを集中させることができます。
-
AIエージェントへの予測機能（Predictive Capabilities）の統合: LLMエージェントが「読み書き・推論」を行うだけでなく、本モデルやPQLインターフェースを組み合わせることで、「どの顧客がチャーン（解約）するか」「次月の需要はどう変動するか」といった未来の予測をエージェント自身が自律的に行い、アクションにつなげることが可能になります。
-
柔軟なデプロイメントオプション（SDKおよびNVIDIA NIM）: GPUネイティブな構造化データモデルライブラリ（
structured-data-models）およびNVIDIA NIMとして提供されているため、ローカルのPyTorch環境（Jupyter Notebook等）でのインメモリ処理から、Databricksなどのエンタープライズ基盤における大規模データ処理パイプラインへの組み込みまで、シームレスな移行とスケーリングが担保されています。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
