Thử Kumo Relational của NVIDIA trên một bài toán dự đoán nhóm bạn đã biết đáp án thật

Một mô hình XGBoost (thư viện học máy dùng nhiều cây quyết định nối tiếp nhau) dự đoán khách nào sẽ không mua lại trong 30 ngày tới thường chạy trên các cột tổng hợp do người viết tay, như “giá trị đơn trung bình 30 ngày”. Ngày 21/10/2026, NVIDIA đăng trên Hugging Face (nền tảng chia sẻ mô hình AI) bài giới thiệu Kumo Relational, mô hình mà hãng nói có thể dự đoán thẳng từ cơ sở dữ liệu nhiều bảng, không cần huấn luyện riêng, và thắng các pipeline (chuỗi bước tạo cột, huấn luyện và chạy mô hình) kiểu đó. Cách đáng làm với con số ấy là chạy nó trên đúng một dự đoán đang chạy của nhóm, theo bốn bước dưới đây, trước khi bàn chuyện thay.

NVIDIA nói gì về Kumo Relational

Theo NVIDIA, Kumo Relational là một mô hình nền (foundation model, mô hình huấn luyện sẵn một lần rồi dùng cho nhiều việc) cho dữ liệu quan hệ, tức dữ liệu nằm trong nhiều bảng nối với nhau bằng khóa ngoại: khách nối với đơn hàng, đơn hàng nối với sản phẩm. Hãng viết rằng mô hình được huấn luyện trước hoàn toàn trên dữ liệu quan hệ tổng hợp. Khi dự đoán, nó đọc tối đa 10.000 ví dụ lịch sử làm ngữ cảnh rồi trả kết quả trong một lượt chạy, cách này gọi là học trong ngữ cảnh (in-context learning): mô hình xem ví dụ ngay lúc dự đoán thay vì được huấn luyện lại cho từng bài toán. Người dùng viết việc cần dự đoán bằng PQL (Predictive Query Language, ngôn ngữ truy vấn dự đoán), chẳng hạn PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id, câu trong bài mẫu của NVIDIA, dự đoán số đơn của từng khách trong 30 ngày tới.

Kết quả hãng nêu, đo trên 41 tác vụ thuộc 15 cơ sở dữ liệu, không bộ nào được thấy khi huấn luyện trước:

• Trên các tác vụ phân loại của RelBench V1 (bộ đo chung cho học máy trên dữ liệu quan hệ), Kumo Relational hơn cây quyết định tăng cường (gradient-boosted trees) dùng cột do chuyên gia thiết kế gần 4 điểm AUROC trung bình. AUROC đo khả năng xếp người sẽ rời đi cao hơn người ở lại: 0,5 là đoán bừa, 1 là xếp đúng hoàn toàn.
• Trên SAP SALT (bộ đo dữ liệu doanh nghiệp của SAP), mô hình hơn XGBoost dùng cột thiết kế sẵn 7 điểm MRR khi chạy nguyên bản và 13 điểm sau khi tinh chỉnh. MRR (mean reciprocal rank, trung bình nghịch đảo thứ hạng) tính 1/k nếu đáp án đúng đứng thứ k trong danh sách gợi ý.
• Trên bảng xếp hạng RelArena-α, NVIDIA nói Kumo Relational chạy khoảng 17 giây cho 1.000 mẫu, còn mục điểm cao nhất, rt-plurel, đạt điểm hơn một chút (1.878 so với 1.842) nhưng mất khoảng 7.300 giây, chậm khoảng 430 lần.

Mã nguồn dưới giấy phép Apache 2.0, trọng số mô hình dưới OpenMDW License Agreement bản 1.1, chạy trên thư viện structured-data-models của NVIDIA cần GPU (bộ xử lý đồ họa, loại chip dùng để chạy mô hình AI), hoặc dưới dạng dịch vụ NVIDIA NIM (gói mô hình của NVIDIA để chạy như một dịch vụ riêng rồi gọi tới). Đây là kết quả do NVIDIA và nhóm tác giả công bố, bài đăng không nêu ai chạy lại độc lập.

Điều hãng tự nói là giới hạn

Cũng trong bài, NVIDIA viết rằng mô hình tốt nhất với dữ liệu có quan hệ rõ và có diễn biến theo thời gian, như hành vi người dùng. Với tác vụ có tập huấn luyện rất lớn, mô hình học riêng cho tác vụ vẫn có thể nhỉnh hơn, vì trong các phép đo của hãng mô hình chỉ đọc tối đa 10.000 ví dụ. Tín hiệu dự đoán cũng phải nằm trong vài bước nối bảng, nên hãng khuyên bắt đầu bằng một truy vấn hẹp trên vài bảng liên quan rồi mở rộng dần. Ba điều này quyết định bước 1 và bước 4 bên dưới.

Bốn bước thử trên dự đoán của nhóm bạn

Bốn bước dưới đây chưa được chạy trên hệ thống nào; cửa hàng có bảng khách (users) và bảng đơn (orders) là ví dụ do bài dựng để minh họa.

1. Chọn một dự đoán đang chạy, có kết quả thật. Cần một bài toán nhóm đã có mô hình và đã biết đáp án thật, ví dụ “khách có mua trong 30 ngày sau ngày T không”. Chọn ngày cắt T đủ xa để đã có hơn 30 ngày kết quả sau đó. Bắt đầu bằng hai bảng, khách và đơn.

2. Viết truy vấn PQL cho đúng bài toán đó. Với ví dụ trên có thể dùng câu mẫu của NVIDIA ở trên. Gom ví dụ ngữ cảnh chỉ từ thời gian trước ngày T.

3. Chạy trên đúng tập khách mà mô hình hiện tại đã dự đoán. Dùng cùng ngày cắt T và cùng tập khách. NVIDIA nêu hai cách chạy:

   • Qua NVIDIA NIM: cài client bằng pip install 'structured-data-models-client[relational]', đưa bảng users và bảng orders vào dưới dạng pandas DataFrame (bảng dữ liệu trong Python) cùng câu PQL ở bước 2, rồi gọi client.predict(...). Theo bài, client tự gom ví dụ ngữ cảnh và các bảng liên quan rồi gửi yêu cầu tới NIM; địa chỉ NIM của bạn điền vào sdm_client.SDMClient(url=...).
   • Chạy thẳng thư viện trên máy có GPU: pip install structured-data-models, rồi sdm.models.KumoRelational(device="cuda"). Với cách này bạn tự đưa bảng ví dụ ngữ cảnh và bảng khách cần dự đoán, nên trước khi chạy hãy lọc từng bảng: không có dòng nào mang mốc thời gian sau T.

   NVIDIA nói công cụ của họ tự giữ dữ liệu trước mốc cắt để tránh rò rỉ dữ liệu tương lai, nhưng nếu bạn tự ghép bảng thì phải tự kiểm. Kết quả trả về là một giá trị dự đoán cho mỗi user_id trong tập cần dự đoán; ghép nó với đáp án thật theo user_id để tính chỉ số ở bước 4. Notebook mẫu của NVIDIA: relational.ipynb.

4. So với mô hình hiện tại bằng chỉ số nhóm đang dùng. Ghi hai số: chỉ số của mô hình cũ và của Kumo Relational trên cùng tập khách, cùng thời gian chạy và chi phí GPU. Trước khi chạy, hãy tự đặt mức chênh mà nhóm coi là đáng đổi pipeline. Nếu Kumo Relational chỉ ngang hoặc thấp hơn, hoặc kết quả đẹp bất thường, trước hết mở lại bước 3 xem còn dòng nào sau mốc T lọt vào không. Nếu bảng của bạn có hàng triệu dòng huấn luyện, thử thêm bản tinh chỉnh như NVIDIA đề cập, hoặc giữ pipeline cũ. Nếu dấu hiệu dự đoán nằm xa nhiều bước nối bảng, mở rộng dần các bảng đưa vào rồi chạy lại.

Nguồn tham khảo

1. NVIDIA, “NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required” (Hugging Face Blog, 21/10/2026) — bài giới thiệu mô hình, kết quả trên RelBench, SAP SALT và RelArena-α, giới hạn hãng nêu, cách chạy và giấy phép.
2. NVIDIA, quickstart notebook relational.ipynb (GitHub) — notebook mẫu chạy Kumo Relational qua structured-data-models-client, được bài trên Hugging Face dẫn tới.

Tiếp trên bàn Kỹ thuật: Android Studio cho đổi coding agent ngay trong IDE — điều đáng kiểm không phải tên model