21 ottobre 2026/Lettura: 4 minAI e ML
Scalare il Graph ML con NVIDIA Kumo su Snowflake
Le aziende si basano su dati relazionali: i clienti si collegano agli ordini, gli ordini si collegano ai prodotti e le transazioni si collegano agli account. Queste relazioni, e il modo in cui cambiano nel tempo, racchiudono i segnali più forti su cosa accadrà in futuro.
Oggi NVIDIA ha annunciato l’Agent Knowledge Foundation, che fornisce modelli e librerie open che aiutano gli agenti AI aziendali a recuperare le evidenze corrette, applicare un significato di business coerente, prevedere i risultati e ottimizzare le azioni. Nell’ambito di questo annuncio, NVIDIA ha anche annunciato Kumo, una nuova famiglia di modelli, librerie e strumenti open per l’AI predittiva su dati strutturati.
I clienti Snowflake possono utilizzare il modello NVIDIA Kumo Relational e NVIDIA Kumo Engine, un package open source per il training di reti neurali a grafo su scala, sull’intero grafo relazionale di un’azienda. I clienti Snowflake possono installare il package Kumo ed eseguirlo su Snowflake ML, utilizzando Snowflake Notebooks su Container Runtime, così i team di data science possono sviluppare modelli predittivi a partire dalle relazioni presenti nei loro dati, con training, scoring e dati che rimangono tutti all’interno del perimetro di sicurezza e governance di Snowflake.
Vanja Josifovski, VP of Graph Engineering di NVIDIA, dichiara: “I dati aziendali sono intrinsecamente relazionali, e le previsioni più accurate derivano dall’apprendimento diretto su questa struttura, piuttosto che dallo scartarla. Con NVIDIA Kumo, i clienti Snowflake possono sfruttare le reti neurali a grafo sui propri dati connessi (tabelle, chiavi e pattern temporali), utilizzando l’accelerazione GPU di NVIDIA, tutto senza spostare i dati fuori dal proprio ambiente governato. Questo è come dovrebbe essere l’AI predittiva sui dati aziendali.”
Come funziona
Kumo apprende direttamente dalla struttura relazionale e dai pattern temporali (tabelle, le chiavi che le collegano e la temporalità degli eventi), invece di richiedere ai team di appiattire connessioni complesse in un’unica tabella ampia. Questo si applica ai principali task di previsione aziendale: abbandono dei clienti (customer churn), rilevamento delle frodi, previsione della domanda e raccomandazione di prodotti.
Ad esempio, ecco uno snippet che mostra come un team potrebbe addestrare un modello per prevedere quali clienti attivi effettueranno un nuovo acquisto nei prossimi 90 giorni, utilizzando quattro tabelle Snowflake e alcune righe di Python in 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"
)
I clienti installano il package Kumo in uno Snowflake Notebook e lo eseguono sull’infrastruttura Snowflake:
- Snowflake Notebooks forniscono la superficie di sviluppo per connettersi ai dati governati, definire gli obiettivi di previsione e rivedere i risultati.
- I pool di compute GPU forniscono l’infrastruttura GPU NVIDIA tramite il Container Runtime di Snowflake, governato dagli stessi controlli applicati alle altre risorse Snowflake.
- Le competenze verificate per agenti AI di NVIDIA per Snowflake CoCo accelerano l’avvio: I team descrivono un task di previsione in linguaggio naturale e ricevono un notebook eseguibile, dalla connessione ai dati al training su GPU fino alla scrittura delle previsioni su Snowflake.
Questa facilità d’uso mette inoltre il predictive modeling basato su grafo nelle mani di molti più utenti, aumentando l’impatto in tutta l’organizzazione. Poiché Kumo viene eseguito all’interno dell’account Snowflake del cliente, i dati non devono mai uscirne. Kumo legge dalle tabelle Snowflake, si addestra sui pool di compute Snowflake e scrive le previsioni di nuovo nelle tabelle Snowflake. I team possono orchestrare questi workload con le funzionalità di Snowflake ML come ML Jobs, tutto all’interno del perimetro di sicurezza esistente di Snowflake.
I clienti vedono già risultati
Clienti come Affirm, National Oilwell Varco (NOV), VideoAmp e Yieldmo stanno già beneficiando di NVIDIA Kumo su Snowflake ML.
Lynn Steffen, VP of Finance Business Operations di NOV, dichiara: “NVIDIA Kumo non si è limitato ad accelerare il nostro lavoro di data science, ha cambiato il ritmo che pensavamo fosse possibile. In NOV, lo abbiamo messo al lavoro in aree molto diverse del nostro business e, ogni volta, ha accelerato la velocità con cui riusciamo a trasformare i dati in azioni.
CoCo ha spinto tutto questo ancora oltre in Snowflake, eliminando l’attrito tra i dati e il lavoro, permettendoci di esplorare, sviluppare e iterare direttamente dove i dati già risiedono.”
Craig Simmons, VP of Product di Yieldmo, dichiara: “Gli acquirenti non dovrebbero essere costretti a scegliere tra precisione e scala. Companion Audiences crea audience act-alike progettate per ottenere risultati. Apprende da ciò che già genera risultati, estende il targeting tradizionale e aiuta a scoprire nuove audience che gli acquirenti non avrebbero altrimenti trovato. Gli acquirenti impostano la soglia di similarità, decidono se Companion guida o supporta la campagna e, per gli acquirenti di managed service, possono addestrarlo direttamente a partire dai dati di conversione senza spesa iniziale. NVIDIA Kumo, eseguito con Snowflake ML, è stato progettato pensando alla privacy.”
Inizia subito
Per iniziare, consulta la guida o esplora la documentazione di Snowflake ML.
