NVIDIA Kumo Tabular impose sa vitesse sur les données

Résumé

NVIDIA lance Kumo Tabular, un modèle de fondation ouvert pour données tabulaires, classé premier sur quatre benchmarks de prédiction.

Les faits

NVIDIA Kumo Tabular est un modèle de fondation ouvert destiné aux données tabulaires. Il appartient à la collection NVIDIA Kumo Structured et est disponible sur Hugging Face. Le modèle prend en entrée une table comportant des lignes étiquetées ainsi que les lignes à prédire. Il renvoie des probabilités de classe ou des prédictions numériques en un seul passage. Kumo Tabular arrive en tête de quatre benchmarks : TabArena, BeyondArena, TALENT et ScoringBench. Sur TabArena, il obtient un score ELO de 1950 et fonctionne 17 fois plus rapidement que LimiX-2 dans une évaluation réalisée avec une configuration uniforme reposant sur un seul GPU RTX 6000 Pro. Le modèle est préentraîné entièrement sur des tables artificielles. NVIDIA indique également que la précision peut diminuer sur des tables très éloignées des plages d’entraînement ou lorsque les lignes à interroger proviennent d’une distribution différente de celle des lignes de contexte.

Pourquoi c’est important

Le positionnement de Kumo Tabular repose sur un compromis entre performance prédictive et rapidité d’exécution. Son classement sur plusieurs benchmarks et son avantage de vitesse face à LimiX-2 soulignent l’ambition de proposer un modèle de fondation adapté aux tâches de classification et de régression sur données tabulaires. Le préentraînement sur des tables artificielles et la capacité à produire une sortie en un seul passage visent à simplifier l’utilisation du modèle. NVIDIA recommande toutefois de valider la précision et le calibrage sur des données conservées avant tout déploiement.

Questions fréquentes

Qu’est-ce que NVIDIA Kumo Tabular ?

NVIDIA Kumo Tabular est un modèle de fondation ouvert pour la classification et la régression sur données tabulaires.

Où Kumo Tabular est-il disponible ?

NVIDIA Kumo Tabular est disponible sur Hugging Face.

Sur quels benchmarks le modèle arrive-t-il premier ?

Il arrive premier sur TabArena, BeyondArena, TALENT et ScoringBench.

Comment le modèle produit-il ses prédictions ?

À partir d’une table et de lignes à prédire, il renvoie des probabilités de classe ou des prédictions numériques en un seul passage.

Quelle précaution est recommandée avant le déploiement ?

Il faut valider la précision et le calibrage sur ses propres données conservées avant le déploiement.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.