01 / UNDERSTAND
仕組みと使いどころ
関連テーブルとその関係をスキーマとして与え、SQLに似たPredictive Query Language（PQL）で予測対象を記述する。標準的なPQLの処理では、過去のデータベース状態からラベル付きの文脈例を構成し、モデルの重みを更新しないインコンテキスト学習によって推論する。分類、回帰、将来の数値予測、関連エンティティの順位付けや推薦に利用でき、Python SDKでは結果をpandas DataFrameとして受け取れる。資料では、NVIDIA NIM APIを利用する方法に加え、オープンなモデルや重み、Kumo Structured Data Modelsで実行する方法も案内されている。環境によっては分類と回帰だけを直接処理し、順位付けや複数時点の予測を複数回の推論に分解する。
02 / IN PRACTICE
NVIDIA Kumo Relationalの活用例
たとえば、こんな場面で
顧客、契約、利用履歴などの関連テーブルをスキーマ化し、各顧客が今後解約するかをPQLで指定して、分類結果を顧客対応の優先順位付けに利用できる。
03 / GOOD TO KNOW
使うときのポイント
対象テーブルの主キーと外部キーの関係、時刻情報、予測対象を明確にする。選択した実行方法が対応する予測種別や制限を確認し、ネットワーク経由で機密データを送る場合はデータ境界とHTTPS設定も確認する。
参考資料
Overview | NVIDIA Kumo （新しいタブで開きます）How Kumo Relational Works | NVIDIA Kumo （新しいタブで開きます）NVIDIA Kumo Open Models （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
