NVIDIA Kumo Relational prevê direto no banco de dados e supera ML supervisionado, sem treinar

O ponto central do Kumo Relational é abandonar a tabela achatada. A maioria dos modelos fundacionais para dados estruturados trabalha com uma tabela única. Aqui o modelo lê o banco como ele é, com tabelas, chaves estrangeiras e timestamps. Cada exemplo de contexto é um subgrafo local em torno de uma entidade num ponto do tempo, pareado com o resultado real ("este usuário deu churn"). São até 10.000 exemplos lidos na hora da inferência, sem treino por tarefa.

A arquitetura tem duas etapas. Uma rede leve processa cada tabela com atenção de coluna e de linha. Depois, uma rede maior distribui os embeddings de linha pelas relações de chave primária e estrangeira, com atenção de grafo e atenção entre amostras de contexto. Como essa etapa opera sobre embeddings de linha e não sobre cada célula, o custo não explode de forma quadrática. O pré-treino usa só dados relacionais sintéticos, gerados com a abordagem do PluRel. A pergunta vem em PQL (Predictive Query Language), e o replay de estados históricos do banco evita vazamento de dados. A NVIDIA também admite limites: em tarefas com conjuntos de treino enormes, modelos supervisionados ainda podem levar vantagem, e o fine-tuning existe para esse caso.

A Kumo já tinha apresentado o KumoRFM-2, em 16 de abril de 2026, como modelo fundacional relacional que prevê direto das tabelas, sem o pipeline usual de feature engineering. Agora a ideia aparece com a NVIDIA: pesos abertos, biblioteca open-source de structured-data-models em GPU e distribuição como NIM. O discurso saiu do produto da Kumo e foi para a infraestrutura da NVIDIA, com benchmarks em 41 tarefas e 15 bancos.

Dados tabulares e relacionais são onde bancos e varejo tomam decisões de verdade. A corrida não é só da Revolut (modelo PRAGMA, 27 de abril de 2026) ou do Google (TabFM, 3 de julho de 2026). Se uma previsão vira uma query e não um projeto de semanas, o custo de operar ML cai e agentes ganham a capacidade de antecipar eventos, não só de ler e escrever.