# NVIDIA prédit les données tabulaires sans entraînement

> NVIDIA présente Structured Data Models, une bibliothèque PyTorch qui réunit des modèles préentraînés pour produire des prédictions tabulaires sans entraînement.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-10-18 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/nvidia-predit-les-donnees-tabulaires-sans-entrainement
Tags : nvidia, modèles préentraînés, données tabulaires, pytorch

---

## En résumé

- NVIDIA regroupe plusieurs modèles préentraînés pour les données tabulaires.
- Structured Data Models fournit une interface unique fondée sur PyTorch.
- TabICLv2 et KumoTabular traitent des tables, tandis que KumoRelational vise les bases relationnelles.

**Le signal :** Structured Data Models réunit TabICLv2, KumoTabular et KumoRelational derrière une interface PyTorch unique.

**NVIDIA présente** Structured Data Models, une nouvelle bibliothèque consacrée aux prédictions sur données tabulaires. Un tutoriel publié le 17 octobre 2026 montre comment l’implémenter pour produire des prédictions sans entraînement. La bibliothèque place plusieurs modèles de fondation préentraînés derrière une interface PyTorch unique. Cette approche concerne les tables structurées, plutôt que des contenus non structurés. Le tutoriel applique ensuite cette interface à des prédictions réalisées sans phase d’entraînement. L’article original est disponible sur [MarkTechPost](https://www.marktechpost.com/2026/10/17/how-to-make-zero-training-tabular-predictions-with-nvidia-structured-data-models/). La démonstration porte donc sur l’utilisation de modèles déjà préentraînés pour répondre à une tâche tabulaire.

**Le tutoriel décrit** une bibliothèque NVIDIA qui rassemble plusieurs modèles sous un même accès PyTorch. Ces modèles répondent par apprentissage en contexte, selon le résumé de l’article. L’utilisateur peut ainsi solliciter les modèles avec des données tabulaires, sans entraîner un modèle pour cette démonstration. Structured Data Models ne se limite pas à un seul type de structure. La bibliothèque enveloppe TabICLv2 et KumoTabular pour les tables individuelles. Elle enveloppe également KumoRelational pour des bases de données relationnelles complètes. Le tutoriel relie donc une interface commune à trois composants nommés. Cette organisation constitue le cœur de l’implémentation présentée par MarkTechPost.

## NVIDIA unifie trois modèles tabulaires

**TabICLv2 et KumoTabular** sont associés aux tables individuelles dans Structured Data Models. KumoRelational cible, lui, les bases de données relationnelles complètes. Le résumé distingue ainsi deux niveaux de données traités par la bibliothèque. D’un côté, TabICLv2 et KumoTabular répondent à des cas centrés sur une table. De l’autre, KumoRelational s’applique à une structure relationnelle entière. Les trois modèles restent accessibles derrière une interface PyTorch unique. Le tutoriel utilise cette organisation pour effectuer des prédictions sans entraînement. Il ne présente pas une phase de création ou d’ajustement supplémentaire des modèles. L’approche repose sur des modèles de fondation déjà préentraînés.

**L’apprentissage en contexte** constitue le mécanisme de réponse décrit pour chaque modèle. Le résumé indique que TabICLv2, KumoTabular et KumoRelational répondent de cette manière. Le tutoriel ne rapporte donc pas un entraînement préalable réalisé pour chaque nouvelle prédiction. Il montre plutôt l’utilisation de modèles préentraînés à travers l’interface fournie par NVIDIA. Cette interface PyTorch sert de point commun aux modèles destinés aux tables et aux bases relationnelles. Les prédictions restent centrées sur des données structurées. La démonstration associe ainsi trois noms de modèles, un cadre logiciel commun et une exécution sans entraînement. Le résultat présenté concerne la production de prédictions tabulaires.

## KumoRelational couvre les bases complètes

**L’implémentation présentée** transforme Structured Data Models en point d’accès commun à plusieurs modèles tabulaires. Le tutoriel montre comment utiliser la bibliothèque pour réaliser des prédictions sans entraînement. TabICLv2 et KumoTabular correspondent aux cas de tables individuelles. KumoRelational correspond aux bases de données relationnelles complètes. L’apprentissage en contexte fournit le mode de réponse mentionné pour chacun de ces composants. La démonstration ne décrit donc pas trois interfaces séparées pour l’utilisateur. Elle les réunit derrière PyTorch, tout en conservant leurs périmètres respectifs. Pour suivre le tutoriel, le lecteur peut consulter [l’article de MarkTechPost](https://www.marktechpost.com/2026/10/17/how-to-make-zero-training-tabular-predictions-with-nvidia-structured-data-models/), publié le 17 octobre 2026. Selon le résumé, l’article original présente cette mise en œuvre pratique.