01 / UNDERSTAND
仕組みと使いどころ
構造化されたリレーショナルデータを、行をノード、主キーと外部キーの関係をエッジとするグラフとして扱う予測モデルです。NVIDIAのKumoRFMは、データベースや予測課題をまたいで事前学習され、対象データの既知の事例を予測時に利用します。分類、数値予測、将来値の予測、関連する対象の順位付けや推薦に対応し、課題ごとのモデルを先に学習させずに予測を開始できます。一方、すべての課題で個別学習済みモデルを上回るとは限らず、資料では回帰課題の結果にばらつきがあり、本番用途では特定のデータと課題に合わせたファインチューニングも示されています。
02 / IN PRACTICE
Relational Foundation Modelの活用例
たとえば、こんな場面で
顧客、注文、商品などの関連テーブルを対象に、「各顧客が将来離脱するか」「次に関心を持つ商品は何か」といった問いを指定し、分類や推薦の候補を得る用途が考えられます。
03 / GOOD TO KNOW
使うときのポイント
導入時は、テーブル間のキー関係、時刻情報、予測対象と期間を明確にします。ゼロショット結果をそのまま採用せず、既知の結果がある過去データで課題ごとの精度を確認してください。
参考資料
Overview | NVIDIA Kumo （新しいタブで開きます）KumoRFM: A Relational Foundation Model | NVIDIA Kumo （新しいタブで開きます）KumoRFM-2: Scaling Foundation Models for Relational Learning （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。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。