21. Okt. 2026/Lesezeit: 4 MinutenKI und ML
Skalierung von Graph ML mit NVIDIA Kumo auf Snowflake
Unternehmen basieren auf relationalen Daten – Kunden sind mit Bestellungen verknüpft, Bestellungen mit Produkten und Transaktionen mit Konten. Diese Beziehungen und ihre zeitliche Veränderung kodieren die stärksten Signale dafür, was als Nächstes passieren wird.
Heute hat NVIDIA die Agent Knowledge Foundation angekündigt, die offene Modelle und Bibliotheken bereitstellt, mit denen Unternehmensagenten die richtigen Beweise abrufen, konsistente geschäftliche Bedeutungen anwenden, Ergebnisse vorhersagen und Aktionen optimieren können. Im Rahmen dieser Ankündigung hat NVIDIA auch Kumo angekündigt, eine neue Familie offener Modelle, Bibliotheken und Tools für prädiktive KI über strukturierte Daten hinweg.
Snowflake-Kunden können das NVIDIA Kumo Relational-Modell und die NVIDIA Kumo Engine nutzen, ein Open-Source-Paket für das Training von Graph Neural Networks in großem Maßstab über den gesamten relationalen Graphen eines Unternehmens hinweg. Snowflake-Kunden können das Kumo-Paket installieren und auf Snowflake ML ausführen, indem sie Snowflake Notebooks on Container Runtime verwenden. So können Data-Science-Teams prädiktive Modelle aus den Beziehungen in ihren Daten erstellen, wobei Training, Scoring und Daten alle innerhalb der Sicherheits- und Governance-Grenzen von Snowflake bleiben.
Vanja Josifovski, VP of Graph Engineering bei NVIDIA, sagt: „Unternehmensdaten sind von Natur aus relational, und die genauesten Vorhersagen entstehen, wenn man direkt aus dieser Struktur lernt, anstatt sie zu verwerfen. Mit NVIDIA Kumo können Snowflake-Kunden Graph Neural Networks auf ihren verbundenen Daten – Tabellen, Schlüsseln und zeitlichen Mustern – unter Verwendung von NVIDIA-GPU-Beschleunigung nutzen, ohne Daten aus ihrer kontrollierten Umgebung verschieben zu müssen. So sollte prädiktive KI für Unternehmensdaten aussehen.“
So funktioniert es
Kumo lernt direkt aus der relationalen Struktur und zeitlichen Mustern – Tabellen, den Schlüsseln, die sie verbinden, und dem Timing von Ereignissen –, anstatt von Teams zu verlangen, komplexe Verbindungen in einer einzigen breiten Tabelle zu glätten. Dies gilt für zentrale Vorhersageaufgaben in Unternehmen: Kundenabwanderung, Betrugserkennung, Bedarfsprognosen und Produktempfehlungen.
Hier ist zum Beispiel ein Snippet, das zeigt, wie ein Team ein Modell trainieren könnte, um vorherzusagen, welche aktiven Kunden in den nächsten 90 Tagen wieder kaufen werden, unter Verwendung von vier Snowflake-Tabellen und ein paar Zeilen Python in einem Snowflake Notebook:
import kumo.engine as kumo
# 1. Build the graph
graph = kumo.Graph(
tables={"Customer": customer, "Product": product, "SalesOrderHeader": orders, "SalesOrderDetail": lines},
edges=[
kumo.Edge(src_table="SalesOrderHeader", fkey="CustomerID", dst_table="Customer"),
kumo.Edge(src_table="SalesOrderDetail", fkey="SalesOrderID", dst_table="SalesOrderHeader"),
kumo.Edge(src_table="SalesOrderDetail", fkey="ProductID", dst_table="Product"),
],
)
# 2. Write the predictive query
pquery = kumo.PredictiveQuery(graph=graph, query="""
PREDICT COUNT(SalesOrderHeader.*, 0, 90, days) > 0
FOR EACH Customer.CustomerID
WHERE COUNT(SalesOrderHeader.*, -365, 0, days) > 0
""")
# 3. Fit
model_plan = pquery.suggest_model_plan()
trainer = kumo.Trainer(model_plan)
train_job = trainer.fit(
graph=graph,
train_table=pquery.generate_training_table(non_blocking=True),
)
# 4. Batch predict and write the scores back to Snowflake
pred_job = trainer.predict(
graph=graph,
prediction_table=pquery.generate_prediction_table(non_blocking=True),
output_types={"predictions"},
output_connector=conn,
output_table_name="CUSTOMER_REPURCHASE_90D"
)
Kunden installieren das Kumo-Paket in einem Snowflake Notebook und führen es auf der Snowflake-Infrastruktur aus:
- Snowflake Notebooks bieten die Entwicklungsoberfläche für die Verbindung mit kontrollierten Daten, die Definition von Vorhersagezielen und die Überprüfung von Ergebnissen.
- GPU-Rechenressourcen-Pools stellen NVIDIA-GPU-Infrastruktur über Snowflakes Container Runtime bereit, die denselben Kontrollen unterliegt wie andere Snowflake-Ressourcen.
- NVIDIAs verifizierte Agenten-Skills für Snowflake CoCo beschleunigen die ersten Schritte: Teams beschreiben eine Vorhersageaufgabe in natürlicher Sprache und erhalten ein ausführbares Notebook, von der Datenverbindung über das GPU-Training bis hin zum Zurückschreiben der Vorhersagen in Snowflake.
Diese Benutzerfreundlichkeit legt graphbasierte prädiktive Modellierung auch in die Hände vieler weiterer Nutzer:innen und erhöht so die Wirkung im gesamten Unternehmen. Da Kumo innerhalb des Snowflake-Kontos der Kunden ausgeführt wird, müssen die Daten dieses nie verlassen. Kumo liest aus Snowflake-Tabellen, trainiert auf Snowflake-Rechenressourcen-Pools und schreibt Vorhersagen in Snowflake-Tabellen zurück. Teams können diese Workloads mit Snowflake ML-Funktionen wie ML Jobs orchestrieren, alles innerhalb der bestehenden Sicherheitsgrenzen von Snowflake.
Kunden sehen bereits Ergebnisse
Kunden wie Affirm, National Oilwell Varco (NOV), VideoAmp und Yieldmo profitieren bereits von NVIDIA Kumo auf Snowflake ML.
Lynn Steffen, VP of Finance Business Operations bei NOV, sagt: „NVIDIA Kumo hat unsere Data-Science-Arbeit nicht nur beschleunigt; es hat das Tempo verändert, das wir für möglich hielten. Bei NOV haben wir es in ganz unterschiedlichen Bereichen unseres Unternehmens eingesetzt, und jedes Mal hat es beschleunigt, wie schnell wir Daten in Taten umsetzen können.
CoCo hat dies in Snowflake noch weiter vorangetrieben, indem es die Reibung zwischen den Daten und der Arbeit beseitigt hat, sodass wir dort erkunden, entwickeln und iterieren können, wo die Daten bereits leben.“
Craig Simmons, VP of Product bei Yieldmo, sagt: „Käufer:innen sollten sich nicht zwischen Präzision und Skalierung entscheiden müssen. Companion Audiences erstellt Act-alike-Zielgruppen, die auf Leistung ausgelegt sind. Es lernt aus dem, was bereits Ergebnisse liefert, erweitert das traditionelle Targeting und hilft dabei, neue Zielgruppen zu entdecken, die Käufer:innen sonst nicht gefunden hätten. Käufer:innen legen den Ähnlichkeitsschwellenwert fest, entscheiden, ob Companion die Kampagne anführt oder unterstützt, und können bei Managed-Service-Käufer:innen direkt aus Konversionsdaten ohne Seed-Ausgaben trainieren. NVIDIA Kumo, das mit Snowflake ML ausgeführt wird, wurde mit Blick auf den Datenschutz entwickelt.“
Jetzt entdecken
Um loszulegen, lesen Sie den Leitfaden oder erkunden Sie die Snowflake ML-Dokumentation.
