A NVIDIA apresentou o Kumo Relational, um modelo pré-treinado concebido para fazer previsões directamente sobre bases de dados relacionais. Segundo a empresa, o sistema dispensa treino específico para cada tarefa, engenharia manual de características e a conversão das tabelas numa tabela única. O anúncio foi publicado no Hugging Face a 21 de Outubro de 2026. A publicação inclui ligações para um artigo técnico e para documentação. Os resultados citados são apresentados pela NVIDIA; a informação fornecida não inclui uma avaliação independente.
O modelo recebe uma consulta preditiva e usa até 10 mil exemplos históricos como contexto para estimar resultados, como abandono de clientes, procura ou fraude. A NVIDIA descreve o processo como aprendizagem em contexto: o modelo foi pré-treinado com dados relacionais sintéticos e, durante a inferência, relaciona exemplos com resultados conhecidos com a entidade sobre a qual deve fazer uma previsão. Segundo a empresa, opera directamente sobre tabelas, chaves estrangeiras e marcas temporais, sem exigir que as relações sejam resumidas manualmente.
Nos testes apresentados pela NVIDIA, o Kumo Relational superou modelos de aprendizagem profunda relacional e pipelines de árvores de gradient boosting com características concebidas por especialistas, em 41 tarefas distribuídas por 15 bases de dados. No benchmark empresarial SAP SALT, a empresa afirma que o modelo ultrapassou conjuntos do AutoGluon em 8% na média dos recíprocos das posições (MRR). A publicação também compara o Kumo Relational com XGBoost: indica uma vantagem de quase quatro pontos de AUROC, em média, nas tarefas de classificação do RelBench V1 face a árvores de gradient boosting com características concebidas por especialistas. No SAP SALT, refere uma vantagem de sete pontos de MRR face ao XGBoost nessas características, ou de 13 pontos após afinação.
As métricas são alegações da NVIDIA, e os dados disponíveis não detalham os resultados por tarefa, os custos computacionais ou a latência. A empresa afirma ainda que o sistema escala para bases de dados com mais de 500 mil milhões de linhas, mas a informação fornecida não especifica as condições dessa demonstração. Assim, os números divulgados não bastam, por si só, para concluir que o modelo substitui sistemas existentes em ambientes empresariais.
A NVIDIA diz que o Kumo Relational pode ser utilizado através da sua biblioteca de modelos para dados estruturados, de código aberto e optimizada para GPU, ou como NVIDIA NIM. A empresa apresenta a linguagem de consulta preditiva do sistema como uma interface que também pode ser usada por agentes de inteligência artificial. O modelo gera previsões numa passagem de inferência, depois de receber a consulta e o contexto; a publicação não fornece, porém, dados sobre a facilidade de integração em sistemas de produção.
A proposta é reduzir o trabalho necessário para criar previsões sobre informação distribuída por várias tabelas. Para avaliar a sua utilidade prática, será importante conhecer o desempenho em tarefas fora dos benchmarks citados, bem como os requisitos de implementação e os resultados em bases de dados empresariais concretas. A evidência fornecida sustenta a descrição das capacidades e dos resultados que a NVIDIA reporta, mas não uma conclusão geral sobre a substituição de métodos existentes.
Porque importa
Se os resultados divulgados forem confirmados em contextos reais, modelos pré-treinados para dados relacionais poderão reduzir o trabalho necessário para criar previsões empresariais. A informação disponível não permite concluir que o Kumo Relational substitua de forma geral os sistemas existentes.