公開：2026年10月24日, 最終更新：2026年10月24日
NVIDIAは2026年10月21日、リレーショナルデータベースに直接接続して予測を行う事前学習済みファウンデーションモデル「NVIDIA Kumo Relational」をHugging Face公式ブログで紹介した。タスク固有の訓練や特徴量エンジニアリングを必要とせず、41タスク・15データベースの評価で教師あり機械学習を上回る精度を達成したと報告している。
30秒サマリー
- NVIDIA Kumo Relationalは、訓練不要でリレーショナルDBから直接予測を行う事前学習済みファウンデーションモデル。
- 41タスク・15DBの評価で教師あり深層学習モデルおよびXGBoostパイプラインを上回り、SAPのエンタープライズベンチマークではAutoGluonアンサンブルをMRRで8%超過。
- 500B行超のデータベースに対応し、オープンソースライブラリ「structured-data-models」またはNVIDIA NIMとして利用可能。
NVIDIA Kumo Relationalの発表内容と性能評価
NVIDIAは2026年10月21日付けのHugging Face公式ブログで、リレーショナルファウンデーションモデル「NVIDIA Kumo Relational」を紹介した。同モデルは合成リレーショナルデータで事前学習済みであり、推論時に最大1万件の過去事例をコンテキストとして取り込み、単一のフォワードパスで顧客離脱・需要予測・不正検知などの予測を出力する。テーブルを結合してフラット化する従来のアプローチとは異なり、外部キーやタイムスタンプを保ったままデータベース構造を直接処理するのが特徴だ。
性能評価はRelBench V1・V2、SAP SALT、4DBInferの計15データベース・41タスクで実施され、いずれも事前学習データには含まれていないとされる。分類タスクにおいてはRelBench V1で専門家設計の特徴量を用いた勾配ブースティング木を平均約4 AUROCポイント上回り、SAP SALTではXGBoostをMRRで7ポイント、ファインチューニング後は13ポイント上回ったと報告されている。SAP SALTではAutoGluonアンサンブルをMRR 8%上回り、近年の表形式ファウンデーションモデルに対しては約25%上回るとしている。RelArena-αリーダーボードでは、精度・推論速度のパレートフロントに位置し、最高スコアモデルの約430分の1の推論時間で同等水準の精度を示したとされる。
堅牢性評価では、コンテキストデータをトレーニングデータの0.2%程度に絞った場合や外部キーリンクの最大75%を除去した場合、またノイズ列を多数追加した場合でも精度の大幅な低下は見られなかったとされる。限界として、非常に大規模な訓練セットが利用可能な場合はタスク固有の教師ありモデルがコンテキスト学習を上回る可能性があること、また予測シグナルが限られたホップ数で到達可能である必要があることが明記されている。
モデルはNVIDIAのGPUネイティブオープンソースライブラリ「structured-data-models」を通じて利用でき、初回使用時にHugging Face Hubからウェイトをダウンロードする設計となっている。NVIDIA NIMとしても提供される。500B行超のデータベースにはメモリマップドI/O（最大5GB/s）で対応する。
NVIDIA Kumo Relationalの主な仕様・数値
- コンテキスト例数（最大）：10,000件
- 評価タスク数：41タスク
- 評価データベース数：15データベース
- SAP SALT vs AutoGluon（MRR改善、ゼロショット）：+8%
- SAP SALT vs AutoGluon（MRR改善、ファインチューニング後）：+16%
- SAP SALT vs XGBoost（MRR改善、ゼロショット）：+7ポイント
- RelArena-αでの推論速度優位性：最高スコアモデル比 約430倍高速
- 対応データベース規模：500B行超
出典: Hugging Face Blog（公式ブログ）
なぜ重要か（編集部の分析）
編集部の見方として、Kumo Relationalが示すのは「予測モデル構築」がプロジェクトからクエリへと変わる可能性だ。従来、離脱予測や需要予測には特徴量エンジニアリングから始まる数週間のML開発サイクルが必要だったが、同モデルはデータベース接続と予測内容の記述だけで動作するとしている。精度面でもXGBoostや勾配ブースティング系パイプラインを上回る結果が報告されており、既存の本番パイプライン置き換えの候補として現実的な検討対象になってきた。エージェントAIとの統合も設計段階から組み込まれており、LLMが「読み書き・推論」を担う一方でKumo Relationalが「次に何が起きるかの予測」を担うという役割分担が明確化されている点も注目される。
日本企業への示唆（編集部の分析）
編集部の分析として、日本企業にとっての実務的な含意は二点ある。第一に、ERPや基幹系DBをそのまま接続して予測を得られる設計は、データ整備コストの削減につながりうる。特に特徴量エンジニアリングに多くの工数を費やしてきた製造・小売・金融の分析チームは、パイロット評価の価値がある。第二に、NVIDIA NIMおよびオープンソースライブラリという二通りの導入経路が用意されており、クラウド・オンプレいずれの環境でも検討しやすい。ただし、500B行超の大規模環境を想定したGPUインフラ要件、および「限られたホップ数」という構造的制約については、自社データの特性に照らした事前検証が欠かせない。
背景・経緯
リレーショナルデータベース上の予測モデリングは従来、テーブルを結合してフラットな特徴量を手作業で設計し、XGBoostや深層学習モデルをタスクごとに訓練するアプローチが主流だった。NVIDIAのKumoチームは事前学習用の合成データ生成手法としてPluRel（Kothapalli et al., ICML 2026）を活用しており、チームメンバーが同論文の共著者でもある。Kumo Relationalの姉妹モデルとして単一テーブル向けの「Kumo Tabular」も同ライブラリで提供されているとされる。
NVIDIA Kumo Relationalについてよくある質問
Q. NVIDIA Kumo Relationalを使うにはモデルの再訓練が必要か？
A. 原文によれば、NVIDIA Kumo Relationalはタスク固有の訓練を必要とせず、推論時に最大1万件のコンテキスト例を読み込むことで予測を行う。最大精度を追求する場合には特定データセット・タスクへのファインチューニングも可能とされている。
Q. NVIDIA Kumo Relationalはどのように利用できるか？
A. NVIDIAのGPUネイティブオープンソースライブラリ「structured-data-models」（pip install structured-data-models）を通じて利用でき、ウェイトはHugging Face Hubから自動ダウンロードされる。またNVIDIA NIMとしても提供されるとされている。
Q. NVIDIA Kumo RelationalはXGBoostやAutoGluonと比べてどれだけ精度が高いか？
A. 原文の評価結果によれば、SAP SALTベンチマークでXGBoostをMRRで7ポイント上回り（ファインチューニング後は13ポイント）、AutoGluonアンサンブルをMRRで8%上回った（ファインチューニング後は16%）。RelBench V1の分類タスクでは専門家設計特徴量を用いた勾配ブースティング木を平均約4 AUROCポイント上回ったとされている。
