به مجمعی بپیوندید که توسط رهبران صنایع به‌مدت نزدیک به دو دهه اعتماد شده است. رویداد VB Transform فرصتی است تا افرادی که به‌طور واقعی مشغول ساخت استراتژی‌های هوش مصنوعی برای کسب‌وکارها هستند، گرد هم بیایند.
روند رو به رشد هوش مصنوعی مولد (Generative AI) مدل‌های زبانی قدرتمندی را به ما ارائه داده است که می‌توانند متن را بنویسند، خلاصه کنند و بر روی مقادیر زیادی از داده‌ها استدلال کنند. اما در زمینه‌های پیش‌بینی با ارزش بالا، مانند پیش‌بینی نارضایتی مشتری یا شناسایی تقلب در داده‌های ساخت‌یافته و ارتباطی، کسب‌وکارها هنوز در دام یادگیری ماشین سنتی گرفتارند. پروفسور استنفورد و هم‌تاسیس‌کننده Kumo AI، یورِ لِسکُوِچ، معتقد است که این یکی از مکان‌های بحرانی است که در حال حاضر وجود ندارد. ابزار شرکت او، مدل بنیاد رابطه‌ای (RFM)، نوعی جدید از هوش مصنوعی پیش‌آموزش‌دیده است که توانایی‌های «صفر شات» مدل‌های بزرگ زبانی (LLMs) را به پایگاه داده‌های ساخت‌یافته می‌آورد.
یور لِسکُوِچ به وب‌سایت VentureBeat گفت: «این در مورد پیش‌بینی درباره چیزی است که نمی‌دانید، چیزی که هنوز اتفاق نیفتاده است.» این یک قابلیت بنیادی جدید است که به نظر او در حال حاضر در تعریف رایج ما از هوش مصنوعی مولد وجود ندارد.
در حالی که LLMها و سیستم‌های تولید بهبود یافته با جست‌وجو (RAG) می‌توانند به سؤالاتی درباره دانش موجود پاسخ دهند، اما به‌طرز بنیادی، این فرآیندها نگاهی به گذشته دارند. برای کارهای تجاری پیش‌بینی، شرکت‌ها هنوز به یادگیری ماشین کلاسیک وابسته‌اند. برای مثال، برای ساخت مدلی که پیش‌بینی کند چه زمانی یک مشتری احتمالاً از خدمات استفاده نخواهد کرد، یک کسب‌وکار باید یک تیم از دانشمندان داده را استخدام کند که زمان زیادی را صرف «مهندسی ویژگی‌ها» کنند؛ فرایندی که شامل جمع‌آوری پیچیده داده‌ها از جداول مختلف است.
کمپانی Kumo با استفاده از روش «یادگیری عمیق رابطه‌ای»، این فرایند دستی را با دو نکته کلیدی دور می‌زند. اول اینکه، به‌طور خودکار هر پایگاه داده رابطه‌ای را به‌صورت یک گراف متصل و واحد نمایش می‌دهد. هر ردیف در جدول کاربران به یک گره (مدل) کاربر تبدیل می‌شود و هر ردیف در جدول سفارشات به یک گره سفارش تبدیل می‌گردد. سپس این گره‌ها به‌طور خودکار با استفاده از روابط موجود در پایگاه داده، مانند کلیدهای خارجی، به هم متصل می‌شوند.
دوم اینکه، Kumo معماریTransformer، که موتور پشت LLMها است، را برای یادگیری مستقیم از این نمایه گرافی تعمیم داده است. با استفاده از مکانیسم توجه، این فرایند به یادگیری الگوهای پیچیده و روابط در چندین جدول به‌طور همزمان کمک می‌کند.
تجربه کاربری ابزار RFM به گونه‌ای است که حتی تحلیل‌گران داده نیز می‌توانند به‌راحتی از آن استفاده کنند. این فناوری اتصال به تجزیه و تحلیل‌های پیش‌بینی را دمکراتیک می‌سازد. Kumo در حال حاضر یک دمو عمومی از RFM را منتشر کرده و در هفته‌های آینده نسخه‌ای را ارائه خواهد کرد که به کاربران اجازه می‌دهد تا داده‌های شخصی خود را متصل کنند.
شواهد نشان می‌دهند که این نوع فناوری، می‌تواند ابزارهای قدرتمند یادگیری ماشین را در دسترس بیشتری از کسب‌وکارها قرار دهد، به‌طور قابل توجهی زمان و هزینه را از داده به تصمیم‌گیری کاهش دهد.