NVIDIA Kumo Relational, 작업별 학습 없이 지도 학습에 도전

NVIDIA는 10월 21일 NVIDIA Kumo Relational을 공개하며, 작업별 학습 없이도 지도 학습 모델보다 우수한 관계형 벤치마크 결과를 냈다고 주장했다. 이는 특성을 구축하고, 전용 모델을 학습한 뒤, 다른 예측 문제를 위해 이 과정을 반복하는 익숙한 엔터프라이즈 워크플로에 도전하는 발표다.

이 주장은 연결된 데이터베이스 테이블에 분산된 정보인 관계형 데이터를 대상으로 한다. NVIDIA는 사전 학습된 모델이 각 요청과 함께 제공되는 과거 사례를 사용해 결과를 예측할 수 있다고 말한다. 이는 특정 작업을 위해 레이블이 지정된 사례에 모델을 맞추는 지도 학습과 대비된다.

관련 비교 대상에는 트리 기반 예측 방식인 XGBoost와 예측 모델을 구축하고 결합하는 소프트웨어인 AutoGluon이 포함된다. 다만 별도의 벤치마크 연구에서는 이전 Kumo 연구와 관련된 비교에 의문을 제기한 바 있다. 이번 발표는 주목할 가치가 있지만, “학습 불필요”라는 표현이 실제로 무엇을 없앤다는 의미인지 면밀히 검토할 필요도 있다.

NVIDIA Kumo Relational, 모델 학습을 넘어 경쟁 구도 재편

이번 발표는 새로운 데이터베이스 예측마다 별도로 학습된 모델이 필요하다는 가정에 도전한다.

NVIDIA는 관계형 파운데이션 모델 발표에서 15개 데이터베이스에서 추출한 41개 작업을 대상으로 평가했다고 밝혔다. Kumo Relational은 보고된 분류 및 회귀 비교에서 지도 관계형 모델과 전문가가 설계한 트리 파이프라인을 능가한다고 회사는 주장한다. 분류는 범주를 예측하고, 회귀는 수치 값을 예측한다.

NVIDIA는 또한 엔터프라이즈 데이터베이스 벤치마크인 SAP SALT에서 AutoGluon 앙상블보다 8% 개선됐다고 보고했다. 제시된 지표는 정답을 얼마나 높은 순위에 배치하는지 측정하는 평균 역순위다. 이 비율은 특정 벤치마크 비교를 설명하는 것이며, 비즈니스 예측 정확도가 전반적으로 향상됐다는 뜻은 아니다.

회사는 모델이 최대 10,000개의 과거 사례를 맥락으로 사용한다고 밝혔다. 또한 훨씬 큰 학습 데이터 세트를 사용할 수 있는 경우 작업별 지도 모델이 우위를 유지할 수 있다는 점도 인정했다. 이러한 단서는 헤드라인 결과만큼 중요하다.

따라서 당장의 분석 질문은 지도 학습이 시대에 뒤처졌는지 여부보다 더 좁다. 재사용 가능한 모델이 충분한 반복 개발 작업을 없애 기업이 추진하는 프로젝트의 기준을 바꿀 만큼 경쟁력 있는 예측을 제공할 수 있는가?

정확도 우위가 작거나 일관되지 않더라도 예측 시스템은 가치를 지닐 수 있다. 팀이 각 실험을 준비하는 데 드는 노력을 줄이면, 이전에는 미뤄둔 질문을 조사할 수 있다. 이점은 개별 작업마다 승리하는 데서가 아니라 개발 프로세스를 바꾸는 데서 나온다.

이탈 가능성이 큰 고객을 판단하려는 가상의 소매업체를 생각해 보자. 전용 프로젝트에는 고객 적격성, 구매 이력, 예측 기준일, 고객 이탈의 의미에 대한 합의가 필요할 수 있다. 재사용 가능한 모델이 이러한 결정을 대신 내려주지는 않는다. 팀이 이를 정의한 이후의 과정을 바꾸는 것이다.

이러한 구분은 이번 발표가 데이터 과학자를 대체한다는 과장된 이야기로 번지는 것을 막는다. 제안된 변화의 압력은 반복적인 모델 구축 업무에 가해진다. 팀은 여전히 예측이 유용한 질문에 답하는지, 적절한 행동을 뒷받침하는지를 판단해야 한다.

기술적 이용 가능성과 운영 도입 사이에는 중요한 차이도 있다. 개발자가 평가할 수 있는 모델은 기업에 시험할 후보를 제공한다. 그렇다고 그 후보가 기존 시스템을 대체했거나, 내부 검토를 통과했거나, 고객 성과를 개선했다는 뜻은 아니다.

따라서 이번 발표를 가장 강하게 해석하면 기본 워크플로에 대한 도전이다. 또 다른 전용 예측 파이프라인을 구축하기 전에, 팀은 재사용 가능한 관계형 모델만으로 충분한지 평가할 이유가 생겼다.

이는 업계 전반의 전환이 이미 일어났다고 가정하지 않아도 중요한 주장이다. 실제 경쟁은 정확도, 개발 노력, 신뢰성, 그리고 결과를 반복할 수 있는 능력을 중심으로 전개될 것이다.

압력은 반복되는 예측 프로젝트에 가해진다

서로 다른 비즈니스 질문에 걸쳐 유사한 예측 시스템을 반복 구축하는 팀이 가장 큰 영향을 받는다.

조직은 고객 이탈을 예측하고, 반복 구매 가능성이 높은 고객을 식별하며, 미래 수요를 추정하고자 할 수 있다. 이러한 질문은 기초 기록을 공유하지만, 목표는 서로 다르다. 운영 부담은 비즈니스가 질문을 바꿀 때마다 얼마나 많은 작업을 반복해야 하는지에 따라 부분적으로 달라진다.

Kumo의 제안은 이러한 반복을 검토 대상으로 만든다. 재사용 가능한 접근 방식이 충분한 성과를 낸다면, 또 다른 전용 모델의 필요성은 더 구체적으로 입증돼야 한다. 기존 방식은 개발 및 유지 관리 요구를 상쇄할 만큼 충분한 추가 가치를 제공해야 한다.

그렇다고 가장 정확한 모델이 항상 이기는 것은 아니다. 오류가 비용이 큰 조치를 촉발하는 경우 작은 개선도 매우 중요할 수 있다. 다른 환경에서는 추가 정확도 향상을 짜내는 것보다 빠른 실험이 더 가치 있을 수 있다.

엔터프라이즈 구매자에게 이는 포트폴리오 결정이 된다. 일부 예측은 중요한 결정에 영향을 주거나 대규모로 지속 실행되므로 광범위한 맞춤화가 필요하다. 다른 예측은 한시적 캠페인이나 운영 조사를 알리는 데 충분히 빠른, 신뢰할 수 있는 답이 필요하다.

하나의 조직이 두 접근 방식을 모두 사용하는 것은 충분히 합리적이다. 이번 발표는 모든 질문이 첫 번째 범주에 속한다는 가정에 압력을 가한다. 이미 잘 작동하는 모델을 기업이 포기해야 한다는 뜻은 아니다.

같은 구분은 내부 인력 배치에도 중요하다. 학습 단계를 제거한다고 해서 관련 업무가 자동으로 사라지는 것은 아니다. 대신 결과 정의, 과거 기록 검토, 오류 조사, 예측이 언제 행동에 영향을 줘야 하는지 결정하는 쪽으로 관심이 옮겨갈 수 있다.

예를 들어 고객 유지 팀은 주의가 필요한 계정의 순위 목록을 받을 수 있다. 누군가 어떤 개입 조치를 사용할 수 있는지 이해하지 못한다면 그 목록의 가치는 제한적이다. 개입 가능한 시기가 지난 뒤 도착하는 예측은 벤치마크 점수와 무관하게 운영상 취약하다.

이 때문에 비즈니스 팀은 모델 선택을 고립된 조달 업무로 취급하지 말아야 한다. 어떤 결정을 내릴지, 마감 시점은 언제인지, 틀렸을 때 어떤 결과가 따르는지를 파악해야 한다. 이러한 조건이 단순화된 실험이 유용한 역량을 만드는지 결정한다.

개발자는 평가 우선순위에서도 관련 변화를 마주한다. 학습이 덜 중심적인 요소가 되면 입력 선택과 작업 정의에 더 큰 주의를 기울여야 한다. 개발의 핵심 질문은 애플리케이션이 문제를 의미 있고 대표성 있게 보여주는지로 옮겨간다.

이는 제안된 워크플로에서 도출되는 분석적 함의이며, 문서로 입증된 고객 성과는 아니다. 이번 발표는 기업이 이미 인력을 줄였거나, 모든 프로젝트를 단축했거나, 이 출시를 통해 매출을 개선했다는 점을 입증하지 않는다.

이 구분은 이 이야기를 따라가는 지식 근로자에게도 적용된다. 데이터베이스 예측과 문서 검색은 서로 다른 문제를 해결한다. 검색 가능한 지식 베이스는 기술 문서에 대한 접근을 지원할 수 있는 반면, 예측 시스템은 구조화된 기록에서 결과를 추정한다.

이러한 기능을 분리해 생각하면 구매자는 모든 AI 제품을 서로 대체 가능한 것으로 보지 않고 주장을 평가할 수 있다. 핵심 질문은 실제 워크플로의 어느 부분이 바뀌는지, 그리고 그 변화가 실무 평가를 견뎌내는지다.

Kumo와 지도 학습의 차이는 적응이 일어나는 위치를 바꾼다

“학습 불필요”는 학습된 파라미터를 업데이트하지 않고 사전 학습된 모델을 작업에 맞게 적응시키는 것을 의미한다.

NVIDIA의 인컨텍스트 학습 문서는 예측 요청에 포함된 과거 사례를 통한 적응을 설명한다. 클라이언트는 관련 기록을 선택하고 입력을 준비한 뒤 모델 서비스에 전송한다. 알려진 결과는 모델이 예측해야 할 관계를 설정하는 데 도움이 된다.

문서는 또한 키 관계를 통해 데이터베이스 기록을 연결하는 표현인 관계형 그래프를 설명한다. 시간에 따라 달라지는 작업의 경우 시스템은 각 사례의 예측 시점에 이용 가능했던 기록을 선택한다. 이러한 분리는 과거 예측을 수행하는 데 사용되는 정보에서 미래 사건을 제외하기 위한 것이다.

이 설계는 작업별 정보가 시스템에 들어가는 위치를 바꾼다. 지도 모델은 학습 중에 이를 반영한다. 인컨텍스트 시스템은 예측을 생성할 때 사례를 받아들이며, 학습된 파라미터는 고정된 상태로 유지된다.

“학습 불필요”라는 표현에서는 이 구분을 놓치기 쉽다. 모델은 이미 재사용 가능한 역량을 형성하는 과정인 사전 학습을 거쳤다. 고객 대상 워크플로에서 추가 학습을 생략할 수 있다는 것은 시스템 어디에서도 학습이 일어나지 않았다는 뜻이 아니다.

여전히 결과가 알려진 사례도 필요하다. 기업은 헤드라인만 보고 과거 기록을 버리거나 그 기록이 의도한 작업을 대표하는지 여부를 무시해도 된다고 추론할 수 없다.

Kumo Relational에 대한 설명을 찾는 독자에게 운영상 핵심은 명확하다. 적응이 예측 요청에 더 가까운 위치로 이동한다는 것이다. 애플리케이션이 다른 예측 문제를 제시할 때마다 모델에 새로운 파라미터 업데이트가 필요한 것은 아니다.

이 변화는 다른 종류의 엔지니어링 질문을 낳는다. 어떤 사례가 작업을 대표해야 하는가? 특이 사례는 어떻게 맥락에 포함돼야 하는가? 최근 행동이 제공된 이력과 다르면 어떻게 되는가?

이 질문들은 접근 방식이 실패한다는 증거가 아니다. 학습을 제거하는 것이 적응 작업까지 제거한다고 결론내리기 전에 기업이 평가해야 할 사항을 보여준다.

이를 뒷받침하는 KumoRFM-2 연구는 10월 발표 이전인 2026년 4월 14일에 제출됐다. 이 연구는 인컨텍스트 예측과 특정 환경에 맞춰 사전 학습된 모델을 추가 조정하는 파인튜닝을 모두 지원하는 관계형 모델을 설명한다.

따라서 이 논문은 전체 기본 아이디어가 10월에 처음 등장했다는 증거가 아니라, 이번 출시의 역사적 맥락을 제공한다. 또한 재사용 가능한 예측과 추가 전문화가 공존할 수 있음을 분명히 보여준다.

학습 데이터에 관한 광범위한 주장을 하기 전에 해결할 만한 문서상의 세부 사항도 있다. 4월 초록은 합성 및 실제 환경의 사전 학습 데이터를 설명하는 반면, 10월 발표는 전적으로 합성된 사전 학습을 설명한다. 이 설명들을 아무런 구분 없이 동일한 것으로 취급해서는 안 된다.

이 차이가 부정행위를 입증하거나 출시를 무효화하는 것은 아니다. 다만 독자는 연구 버전, 출시된 아티팩트, 그리고 관련 문서를 구분해야 한다는 의미다. 이전 모델에 대한 주장이 이후의 모든 체크포인트를 자동으로 설명하지는 않는다.

따라서 Kumo와 지도 학습의 비교는 학습 여부의 단순한 대결이 아니라 적응 전략의 비교다. 두 경로 모두 과거의 증거에 의존한다. 차이는 시스템이 새 과제를 해결하기 위해 그 증거를 사용하는 방식에 있다.

구매자에게 이 틀은 구호보다 더 유용하다. 이는 사라지는 작업, 다른 곳으로 옮겨가는 작업, 그리고 여전히 필수적인 작업에 평가의 초점을 맞춘다.

경쟁 결과만으로 벤치마크 논쟁이 끝나지는 않는다

보고된 벤치마크 선도 성과가 교체 결정을 뒷받침하려면 비교 가능한 평가 조건이 필요하다.

Prior Labs와 협력 연구진의 별도 관계형 학습 벤치마크 논문은 중요한 반론을 제시한다. 저자들은 평탄화된 테이블이 특화된 관계형 아키텍처와 여전히 경쟁할 수 있다고 주장한다. 평탄화는 예측을 위해 연결된 테이블의 정보를 하나의 표현으로 결합하는 방식이다.

이들의 9월 개정판은 초기 KumoRFM-2 비교에도 의문을 제기한다. 평가 시점, 데이터베이스 상태, 튜닝 공개 방식의 차이를 지적한다. 저자들은 이러한 차이가 방법 간 비교를 복잡하게 만든다고 주장한다.

한 가지 우려는 모델이 공통 테스트 기준 시점 이후에 추가됐지만 개별 예측 시점 이전에 존재한 정보를 받는지 여부와 관련된다. 저자들은 두 시간 기준 방식 모두 유효하다고 설명하면서도, 결과를 직접 비교할 수는 없다고 강조한다.

이는 비교 가능성에 대한 문제 제기이지, 10월에 공개된 모델이 실패했다는 증거는 아니다. 해당 논문은 발표 이전에 나왔으며 경쟁 방법과 관련된 연구자들이 포함돼 있다. Jure Leskovec 역시 기여자 명단에 있어, 연구 생태계가 명확히 독립된 진영으로 나뉘어 있지 않음을 보여준다.

이견은 통제된 재현 실험의 필요성을 강화한다. 그렇다고 선호하는 아키텍처에 유리한 헤드라인을 택해도 된다는 뜻은 아니다.

기업에 있어 시점 문제는 실질적인 의미를 갖는다. 과거 데이터를 활용한 테스트에서는 각 후보가 실제 배포된 시스템이 보유하게 될 정보를 제공받아야 한다. 그렇지 않으면 점수가 더 나은 예측 방법이 아니라 추가 증거에 대한 접근성을 보상할 수 있다.

같은 원칙은 모델 동작에 영향을 주는 설정을 선택하는 과정인 튜닝에도 적용된다. 한 후보에는 광범위한 실험을 적용하고 다른 후보에는 기본 구성만 사용하는 비교는 정보 가치가 떨어진다.

그렇다고 모든 시스템에 동일한 설정이 필요하다는 뜻은 아니다. 방법마다 필요한 준비가 다르다. 요구되는 것은 투입된 노력에 대한 투명성과 사용된 자원에 대한 공정한 설명이다.

유용한 비교는 개별 모델과 그 주변 시스템도 구분해야 한다. 데이터 준비, 예시 선택, 반복 실행은 최종 출력에 영향을 미칠 수 있다. 완전한 애플리케이션을 평가하는 구매자는 모든 결과를 핵심 모델에만 돌리기보다 이러한 기여를 고려해야 한다.

한쪽은 최적화된 워크플로의 성과를 인정받고 다른 쪽은 불편한 기준선으로 제시될 때 Kumo와 지도 학습의 비교는 오해를 낳는다. 반대의 경우도 마찬가지로 문제다. 이미 운영 중인 프로덕션 파이프라인에 무제한의 최적화 여지를 주면서 새 모델에는 피상적인 시험만 제공해서는 안 된다.

벤치마크 평균은 개별 조직에 중요한 차이도 압축한다. 여러 과제의 집합에서 매력적으로 보이는 후보라도 구매자가 실제로 필요한 과제에서는 성능이 떨어질 수 있다. 관련된 결정에는 그 특정 문제를 검토해야 한다.

오류 양상도 비슷한 수준의 주의가 필요하다. 헤드라인 점수가 비슷한 두 시스템도 서로 다른 실수를 할 수 있다. 구매자는 어떤 오류가 직원 시간을 소모하고, 고객을 좌절시키며, 부적절한 개입을 유발하는지 이해해야 한다.

이러한 고려 사항은 NVIDIA Kumo Relational을 신중하게 해석해야 한다는 점을 뒷받침한다. 보고된 결과는 평가할 근거가 된다. 그러나 기존 지도 학습 시스템을 교체해야 한다는 점을 독립적으로 입증하지는 않는다.

공정한 해석은 이야기의 양쪽을 모두 보존한다. NVIDIA는 보고된 경쟁력 있는 결과를 갖춘 재사용 가능한 대안을 제시한다. 다른 연구자들은 비교 프로토콜을 면밀히 검토해야 할 이유를 지적한다. 통제된 테스트는 어느 한 진영의 단정적 주장보다 더 많은 것을 해결할 수 있다.

데이터베이스 준비 상태는 여전히 별개의 제약이다

과제별 학습을 제거한다고 해서 데이터베이스의 의미나 과거 데이터의 품질이 자동으로 보장되는 것은 아니다.

NVIDIA의 데이터 요구 사항은 안정적인 엔터티 식별자, 호환되는 관계 열, 사용할 수 있는 타임스탬프, 관련된 레이블 이력 데이터를 명시한다. 문서는 구조 검증만으로 관계나 과거 기간이 해당 과제에 적합한지 판단할 수 없다고도 경고한다.

이 경고는 자동화의 중요한 경계를 설정한다. 시스템은 레코드가 연결되는지 확인할 수 있지만, 그 연결이 예측에 사용해야 할 비즈니스 관계를 나타내는지는 알 수 없다.

계정 기록, 구매 이벤트, 지원 상호작용을 별도로 저장하는 가상의 구독 비즈니스를 생각해 보자. 계정 식별자는 기술적으로 유효할 수 있지만 개별 사용자가 아니라 청구 조직을 나타낼 수 있다. 이 구분은 계정 수준 예측의 의미를 바꾼다.

조직이 내부 정의를 수정할 때 문제는 더 까다로워진다. 취소 기록은 고객 이탈, 계정 이전, 또는 관리상 정정을 반영할 수 있다. 이러한 이벤트를 동일한 것으로 취급하면 모델이 평가하기도 전에 목표가 모호해진다.

타임스탬프도 또 다른 모호성의 원천이다. 레코드에는 이벤트 시간, 수집 시간, 이후의 정정 시간이 있을 수 있다. 운영상 질문은 애플리케이션이 결정을 내릴 때 어떤 정보를 알고 있었을지다.

이 사례들은 데이터베이스 준비 상태가 별도의 책임으로 남는 이유를 보여준다. 공개된 제품의 실패 사례를 보고하는 것은 아니다. 구조적으로 건전한 입력도 부적합한 예측 과제를 뒷받침할 수 있음을 보여준다.

출시를 평가하는 팀에 시사하는 바는 조직적이다. 데이터 뒤에 있는 정의를 누군가는 책임져야 한다. 재사용 가능한 모델은 회사가 정의하는 유지율, 사기, 수요가 최적화해야 할 결과와 일치하는지 판단할 수 없다.

이러한 책임은 배포 이후에도 중요하다. 기업이 판매 프로세스를 변경하면 과거 기록과 미래 결과의 관계도 달라질 수 있다. 편리한 예측 인터페이스가 과거 사례가 계속 대표성을 갖는지에 대한 문제를 해결해 주지는 않는다.

따라서 운영 평가는 변화하는 조건을 다루는 방식도 포함해야 한다. 팀은 언제 성능을 조사하고, 과제를 수정하며, 후보 시스템을 재고해야 하는지 알아야 한다. 적응이 학습 중에 일어나든 예측 요청 내부에서 일어나든 이러한 결정은 여전히 필요하다.

결과를 예측하는 것과 개입을 선택하는 것 사이에는 차이도 있다. 높은 취소 가능성 추정치가 어떤 고객 대응이 도움이 될지를 입증하지는 않는다. 애플리케이션에는 예측과 이를 통해 가능해지는 행동 사이의 방어 가능한 연결이 필요하다.

이 구분은 행동을 선택하고 실행하는 소프트웨어 시스템인 에이전트에 대한 주장을 제한한다. 에이전트에 예측 접근 권한을 준다고 해서 그 결정이 자동으로 검증되지는 않는다. 행동에는 여전히 적절한 범위, 책임성, 유용성의 증거가 필요하다.

구매자에게 이러한 책임은 처음부터 평가에 포함돼야 한다. 그렇지 않으면 성공적인 모델 시연이 데이터 소유권과 운영 활용에 관한 미해결 질문을 가릴 수 있다.

핵심적인 함의는 작업의 형태가 바뀐다는 점이다. 반복 학습이 줄어드는 것은 가치 있을 수 있지만, 재사용 가능한 시스템이 정확히 무엇을 받고 그 출력이 무엇을 의미하는지 아는 일의 중요성은 커진다.

워크플로 이점이 유지되는지 보여줄 세 가지 신호

다음으로 유용한 증거는 재현성, 운영 노력, 그리고 재사용 가능한 예측과 특수화의 경계에 관한 것이다.

첫째, 동일한 데이터베이스 스냅샷과 공개된 튜닝 절차 아래에서 공개된 결과물을 통제해 평가하는 사례를 지켜봐야 한다. 이러한 조건에서의 일치는 NVIDIA의 벤치마크 서사를 강화할 것이다. 상당히 다른 결과가 나오면 보고된 이점이 적용되는 범위는 좁아질 것이다.

가장 유익한 결과는 또 다른 광범위한 선도 주장보다 과제 수준의 결과를 포함하는 것이다. 구매자는 강점이 자신에게 관련된 문제 전반에서 지속되는지 확인해야 한다. 투명하게 공개된 패배도 다른 접근법이 여전히 더 나은 시점을 정의하는 데 도움이 되므로 유용한 증거가 될 수 있다.

둘째, 비즈니스 질문에서 활용 가능한 예측에 이르는 전체 경로를 설명하는 배포 사례를 지켜봐야 한다. 모델 실행 시간만으로는 애플리케이션에 얼마나 많은 준비, 검토, 통합이 필요했는지 알 수 없다.

신뢰할 수 있는 결과를 희생하지 않으면서 반복 작업이 줄었음을 보여준다면 구체적인 운영 사례는 워크플로 주장을 강화할 것이다. 모델 정확도가 여전히 매력적이더라도 수작업 준비가 대부분인 사례는 그 약속에 조건을 붙일 것이다.

비교에는 팀이 현실적으로 배포할 기존 시스템이 포함돼야 한다. 의도적으로 약한 기준선을 대체하는 것은 기업 가치에 대해 거의 말해주지 못한다. 이미 유지 관리되는 워크플로를 개선하는 것이 새 접근법이 실질적인 결정을 바꾼다는 더 강한 증거가 된다.

셋째, 팀이 추가 학습을 유지하거나 파인튜닝을 선택하는 지점을 지켜봐야 한다. 이러한 선택은 편리한 재사용 예측과 더 많은 특수화가 정당화되는 과제 사이의 경계를 설정하는 데 도움이 될 것이다.

혼합된 결과도 여전히 의미가 있다. 재사용 가능한 접근법은 탐색적이거나 요구 수준이 낮은 질문을 처리하고, 맞춤형 시스템은 일부 프로덕션 워크로드에서 계속 선호될 수 있다. 이는 보편적인 대체를 확립하지 않으면서도 프로젝트 배분의 변화를 의미한다.

이러한 신호는 해당 범주가 또 다른 거창한 이름을 얻는지보다 더 중요하다. 지속되는 질문은 조직이 더 적은 반복 개발 작업과 수용 가능한 운영상 결과로 유용한 예측 질문에 답할 수 있는지다.

NVIDIA Kumo Relational은 팀이 이 질문을 다시 검토할 이유를 제공한다. 보고된 결과는 전용 지도 학습 파이프라인을 자동으로 선호하는 관행에 도전하는 한편, 벤치마크 논쟁은 신중한 비교가 여전히 필요한 이유를 설명한다.

또 다른 예측 프로젝트를 승인하기 전에, 그것이 뒷받침해야 하는 결정과 그 결정이 발생할 때 이용 가능한 이력을 파악하라. 그런 다음 일치하는 조건에서 재사용 가능한 모델을 신뢰할 수 있는 지도 학습 기준선과 비교하라. 평가에는 준비 노력, 오류의 결과, 지속적인 유지 관리를 포함하라. 과제 정의와 평가 기록은 결과에 책임이 있는 모든 사람이 접근할 수 있도록 유지하라. 결정은 출시 헤드라인의 가장 광범위한 해석이 아니라 실제 워크로드의 증거를 따라야 한다. 전용 모델 구축에 반복 작업이 너무 많이 필요해 팀이 미뤄 둔 예측 질문은 무엇인가?