Avec Kumo Relational, NVIDIA prédit sans entraînement dédié

NVIDIA a annoncé le 21 octobre 2026 que Kumo Relational dépassait l’apprentissage automatique supervisé sur des données relationnelles. Le modèle est présenté comme un modèle de fondation relationnel préentraîné. Il produit des prédictions directement depuis des bases de données d’entreprise. NVIDIA indique ainsi une approche distincte des modèles entraînés pour chaque tâche. Kumo Relational ne requiert ni entraînement spécifique à une tâche, ni ingénierie des variables. Cette propriété est au centre de l’annonce consacrée au modèle. La présentation complète de NVIDIA est disponible sur Hugging Face, avec les résultats annoncés le 21 octobre 2026.

Les résultats couvrent 41 tâches réparties dans 15 bases de données. NVIDIA compare Kumo Relational à des modèles supervisés d’apprentissage profond relationnel. La comparaison inclut aussi des chaînes de modèles à gradient boosté conçues par des experts. Sur cet ensemble, Kumo Relational les dépasse selon NVIDIA. Le modèle s’applique donc à plusieurs tâches et plusieurs bases dans le périmètre présenté. L’évaluation porte sur des données relationnelles, plutôt que sur une tâche isolée. Les ressources techniques associées comprennent le dépôt structured-data-models et le moteur Kumo Engine.

Kumo dépasse les modèles supervisés

Le benchmark SAP SALT fournit un résultat chiffré supplémentaire. Kumo Relational y dépasse les ensembles AutoGluon de 8 % en rang réciproque moyen, ou MRR. Ce benchmark est présenté comme un benchmark d’entreprise SAP SALT. Le chiffre mesure l’écart annoncé entre Kumo Relational et les ensembles AutoGluon. NVIDIA ne présente pas ici une amélioration générale pour toutes les méthodes. Le résultat concerne précisément SAP SALT et la métrique MRR. Il complète les 41 tâches évaluées sur 15 bases. Kumo Relational est également annoncé comme capable de traiter des bases contenant plus de 500 milliards de lignes.

Joshua Przybylko décrit Kumo Relational comme le premier modèle de fondation à exemples limités dépassant l’apprentissage automatique supervisé sur des benchmarks relationnels courants. Cette formulation est attribuée à Joshua Przybylko. Elle caractérise le positionnement du modèle dans la présentation. NVIDIA affirme aussi qu’une nouvelle prédiction peut devenir une requête plutôt qu’un projet. L’entreprise relie cette approche à des cas d’usage que l’apprentissage automatique traditionnel rendait trop laborieux à construire. Cette phrase constitue une affirmation de NVIDIA. Elle ne remplace pas les résultats chiffrés annoncés sur SAP SALT, les 41 tâches et les 15 bases.

Kumo cible les bases massives

Les ressources publiées incluent également le dépôt kumo-engine, consacré au moteur associé. Kumo Relational est présenté comme préentraîné, avec des prédictions exécutées directement sur des bases d’entreprise. NVIDIA indique une capacité d’échelle au-delà de 500 milliards de lignes. L’absence d’entraînement propre à chaque tâche et d’ingénierie des variables fait partie des propriétés annoncées. Ces éléments décrivent un modèle appliqué aux données relationnelles. Les performances rapportées reposent sur 41 tâches et 15 bases, tandis que le benchmark SAP SALT fournit un écart de 8 % en MRR face aux ensembles AutoGluon.