NVIDIAs AI-modeller spår data uten opplæring – slår trente modeller

Nvidia lanserer nå et nytt bibliotek kalt Structured Data Models, som gjør det mulig å bruke forhåndstrente AI-modeller til å analysere og forutsi utfall fra tabulære data uten at modellene trenger opplæring. Dette betyr at bedrifter kan få innsikt fra sine egne data raskere, da den tidkrevende treningsfasen elimineres. Biblioteket samler flere eksisterende grunnmodeller, som TabICLv2 og KumoTabular, under ett PyTorch-grensesnitt. I en test på et brystkreftdatasett oppnådde modellene en nøyaktighet på 97,0 prosent, uten noen form for finjustering, ved å kun se på 300 merkede rader. Dette er på nivå med eller bedre enn både logistisk regresjon og gradient boosting-modeller som var trent på samme mengde data. En sentral mekanisme er «in-context learning», hvor modellen får et lite utvalg av merkede dataeksempler sammen med de umerkede dataene som skal analyseres, og gir deretter sannsynligheter eller en full forutsigende distribusjon i ett og samme «fremoverpass». Dette skiller seg fra tradisjonell maskinlæring der en modell trenes eksplisitt på et stort datasett før den brukes til inferens. Modellen TableTensor fungerer som en sentral komponent, og organiserer data i typede blokker for numeriske, kategoriske og tidsbaserte verdier. Datatyper som tidsstempler med nanosekunders presisjon må imidlertid forbehandles for å unngå feil, ettersom systemet kun lagrer mikrosekunder. For norske bedrifter som håndterer store mengder strukturerte data – for eksempel kundedata, logistikk eller regnskap – kan dette bety en betydelig forenkling av AI-utviklingen. Man kan raskt teste ut prediktive modeller og få resultater uten å investere mye i datarensing og modelltrening. Det gjenstår å se hvor godt dette fungerer på ulike typer bedriftsspesifikke data, og hvordan det vil stå seg mot skreddersydde løsninger, men potensialet for rask utrulling av AI er betydelig.