엔비디아, 무학습 예측 모델 쿠모 공개
최근 30일 조회수 —좋아요 —핵심 요약
쿠모 릴레이셔널은 별도 학습·특징 공학 없이 관계형 데이터에서 이탈·수요·사기 등을 예측한다.

엔비디아가 별도 학습 없이 관계형 데이터베이스에서 예측하는 사전학습 기반 모델 쿠모 릴레이셔널(Kumo Relational)을 공개했다. 엔비디아가 허깅페이스 블로그에 올린 발표에 따르면, 사용자가 예측 질의를 입력하면 최대 1만 건의 과거 사례를 문맥으로 모아 고객 이탈·수요·사기 가능성 등을 한 번의 순전파로 예측한다. 작업별 학습과 특징 공학, 여러 테이블을 하나로 펼치는 전처리가 필요 없다는 설명이다.1
엔비디아는 15개 데이터베이스의 41개 과제에서 쿠모 릴레이셔널이 지도학습 기반 관계형 딥러닝 모델과 전문가가 설계한 그래디언트 부스팅 트리 파이프라인을 앞섰다고 밝혔다. RelBench V1 분류 과제에서는 전문가 특징을 사용한 그래디언트 부스팅 트리보다 AUROC가 평균 약 4포인트 높았다. SAP SALT 기업 벤치마크에서는 AutoGluon 앙상블보다 평균 역순위(MRR)가 8% 높았으며, XGBoost 대비 MRR은 기본 모델에서 7포인트, 미세조정 뒤에는 13포인트 높았다고 주장했다.
쿠모 릴레이셔널은 5천억 행이 넘는 데이터베이스까지 처리하며, 엔비디아의 오픈소스 GPU 네이티브 structured-data-models 라이브러리와 NVIDIA NIM 형태로 제공된다. 에이전트는 예측 질의 언어(PQL)를 통해 모델을 호출할 수 있다. 다만 성능 수치는 엔비디아가 공개한 벤치마크 결과로, 자료에는 독립적인 재현·검증 결과가 제시되지 않았다.
Footnotes
-
Hugging Face 블로그·커뮤니티, 「NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required」 ↩
읽기 목록은 이 브라우저에 저장됩니다.
출처
- NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required — Hugging Face 블로그·커뮤니티 · 자료: 2026. 10. 22.
이 글은 위 출처를 근거로 자동 생성된 뒤 발행됐습니다. 원문을 함께 확인해 주세요. 교차 보도 없이 단독 출처로 작성됐습니다.