21 oct 2026/5 min de lecturaIA y ML
Cómo escalar el ML sobre grafos con NVIDIA Kumo en Snowflake
Las empresas se sustentan en datos relacionales: los clientes están conectados con los pedidos, los pedidos con los productos y las transacciones con las cuentas. Estas relaciones, y cómo cambian con el tiempo, contienen las señales más sólidas sobre lo que sucederá a continuación.
Hoy, NVIDIA ha presentado Agent Knowledge Foundation, que ofrece modelos y bibliotecas abiertos para ayudar a los agentes empresariales a recuperar la información correcta, aplicar una semántica empresarial coherente, predecir resultados y optimizar acciones. Como parte de ese anuncio, NVIDIA también ha presentado Kumo, una nueva familia de modelos, bibliotecas y herramientas abiertos para la inteligencia artificial (IA) predictiva aplicada a datos estructurados.
Los clientes de Snowflake pueden aprovechar el modelo NVIDIA Kumo Relational y NVIDIA Kumo Engine, un paquete de código abierto para entrenar redes neuronales de grafos a gran escala sobre todo el grafo relacional de una empresa. Los clientes de Snowflake pueden instalar el paquete Kumo y ejecutarlo en Snowflake ML mediante Snowflake Notebooks on Container Runtime, de modo que los equipos de ciencia de datos puedan crear modelos predictivos a partir de las relaciones presentes en sus datos, mientras el entrenamiento, la puntuación y los datos permanecen dentro del perímetro de seguridad y gobernanza de Snowflake.
Vanja Josifovski, VP of Graph Engineering de NVIDIA, afirma: “Los datos empresariales son relacionales por naturaleza, y las predicciones más precisas se obtienen aprendiendo directamente a partir de esa estructura en lugar de descartarla. Con NVIDIA Kumo, los clientes de Snowflake pueden aprovechar las redes neuronales de grafos en sus datos conectados (tablas, claves y patrones temporales) mediante la aceleración con GPU de NVIDIA, sin sacar los datos de su entorno gobernado. Así es como debería ser la IA predictiva aplicada a los datos empresariales”.
Cómo funciona
Kumo aprende directamente de la estructura relacional y los patrones temporales —las tablas, las claves que las conectan y el momento en que se producen los eventos—, en lugar de exigir a los equipos quitar el formato a conexiones complejas y reunirlas en una única tabla ancha. Esto se aplica a las principales tareas de predicción empresarial: abandono de clientes, detección de fraude, previsión de la demanda y recomendación de productos.
Por ejemplo, este fragmento de código muestra cómo un equipo podría entrenar un modelo para predecir qué clientes activos volverán a comprar durante los próximos 90 días utilizando 4 tablas de Snowflake y unas pocas líneas de Python en un 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"
)
Los clientes instalan el paquete Kumo en un Snowflake Notebook y lo ejecutan en la infraestructura de Snowflake:
- Snowflake Notebooks proporciona el entorno de desarrollo para conectarse a datos gobernados, definir objetivos de predicción y revisar los resultados.
- Los grupos de cómputo con GPU proporcionan infraestructura de GPU de NVIDIA mediante Container Runtime de Snowflake, y se rigen por los mismos controles que los demás recursos de Snowflake.
- Las skills verificadas para agentes de NVIDIA destinadas a Snowflake CoCo agilizan los primeros pasos: los equipos describen una tarea de predicción en lenguaje natural y reciben un notebook ejecutable que abarca desde la conexión a los datos y el entrenamiento con GPU hasta el almacenamiento de las predicciones de nuevo en Snowflake.
Esta facilidad de uso también pone el modelado predictivo basado en grafos al alcance de muchos más usuarios, lo que aumenta su impacto en toda la organización. Como Kumo se ejecuta dentro de la cuenta de Snowflake del cliente, los datos nunca tienen que salir de ella. Kumo lee datos de tablas de Snowflake, entrena modelos en grupos de cómputo de Snowflake y vuelve a escribir las predicciones en tablas de Snowflake. Los equipos pueden orquestar esos workloads con funcionalidades de Snowflake ML como ML Jobs, todo ello dentro del perímetro de seguridad existente de Snowflake.
Los clientes ya están obteniendo resultados
Clientes como Affirm, National Oilwell Varco (NOV), VideoAmp y Yieldmo ya se benefician de NVIDIA Kumo en Snowflake ML.
Lynn Steffen, VP of Finance Business Operations de NOV, afirma: “NVIDIA Kumo no solo aceleró nuestro trabajo de ciencia de datos, sino que cambió el ritmo que creíamos posible. En NOV lo hemos utilizado en áreas muy distintas de nuestro negocio y, en cada ocasión, nos ha permitido convertir los datos en acciones con mayor rapidez. CoCo ha llevado esto aún más lejos en Snowflake al eliminar la fricción entre los datos y el trabajo, lo que nos permite explorar, crear e iterar allí donde ya se encuentran los datos”.
Craig Simmons, VP of Product de Yieldmo, afirma: “Los compradores no deberían tener que elegir entre precisión y escala. Companion Audiences crea audiencias similares diseñadas para obtener resultados. Aprende de lo que ya genera resultados, amplía la focalización tradicional y ayuda a descubrir audiencias nuevas que, de otro modo, los compradores no habrían encontrado. Los compradores establecen el umbral de similitud, deciden si Companion lidera la campaña o la refuerza y, en el caso de quienes contratan servicios gestionados, pueden entrenar el modelo directamente con los datos de conversión, sin inversión inicial. NVIDIA Kumo, ejecutado con Snowflake ML, se ha diseñado teniendo en cuenta la privacidad”.
Primeros pasos
Para empezar, consulta la guía o explora la documentación de Snowflake ML.
