企業はリレーショナルデータに基づいて運営されています。顧客は注文に結びつき、注文はプロダクトに結びつき、トランザクションはアカウントに結びつきます。これらの関係性と、それが時間の経過とともにどのように変化するかは、次に何が起こるかについての最も強力なシグナルとなります。
本日、NVIDIAはAgent Knowledge Foundationを発表しました。これは、エンタープライズエージェントが適切な証拠を検索し、一貫したビジネス上の意味を適用し、結果を予測してアクションを最適化するのに役立つオープンモデルとライブラリを提供するものです。この発表の一環として、NVIDIAは構造化データ全体にわたる予測AI向けのオープンモデル、ライブラリ、ツールの新しいファミリーであるKumoも発表しました。
Snowflakeのお客様は、NVIDIA Kumoリレーショナルモデルと、企業の完全なリレーショナルグラフ全体でグラフニューラルネットワークを大規模にトレーニングするためのオープンソースパッケージであるNVIDIA Kumo Engineを活用できます。Snowflakeのお客様はKumoパッケージをインストールし、コンテナランタイム上のSnowflake Notebookを使用してSnowflake ML上で実行できます。これにより、データサイエンスチームは、トレーニング、スコアリング、データのすべてをSnowflakeのセキュリティおよびガバナンス境界内に保持したまま、データ内の関係性から予測モデルを構築できます。
NVIDIAのGraph Engineering担当VPであるVanja Josifovski氏は、次のように述べています。「エンタープライズデータは本質的にリレーショナルであり、最も正確な予測は、その構造を破棄するのではなく、直接学習することから得られます。NVIDIA Kumoを使用することで、Snowflakeのお客様は、データをガバナンスの効いた環境から移動させることなく、NVIDIA GPUアクセラレーションを使用して、テーブル、キー、時間的パターンなどの接続されたデータ上でグラフニューラルネットワークを活用できます。これこそが、エンタープライズデータにおける予測AIのあるべき姿です」
仕組み
Kumoは、チームが豊富な接続を単一の幅広いテーブルにフラット化することを要求するのではなく、テーブル、それらを接続するキー、イベントのタイミングといったリレーショナル構造と時間的パターンから直接学習します。これは、顧客の解約、不正検知、需要予測、プロダクトのレコメンデーションなど、企業の主要な予測タスク全体に適用されます。
たとえば、4つのSnowflakeテーブルとSnowflake Notebook内の数行のPythonを使用して、アクティブな顧客が今後90日以内に再び購入するかどうかを予測するモデルをチームがどのようにトレーニングするかを示すスニペットは次のとおりです。
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"
)
お客様はKumoパッケージをSnowflake Notebookにインストールし、Snowflakeインフラストラクチャ上で実行します。
- Snowflake Notebookは、ガバナンスの効いたデータへの接続、予測ターゲットの定義、結果の確認を行うための開発サーフェスを提供する
- GPUコンピュートプールは、他のSnowflakeリソースと同じ制御によって管理されるSnowflakeのコンテナランタイムを通じて、NVIDIA GPUインフラストラクチャを提供する
- Snowflake CoCo向けのNVIDIAの検証済みエージェントスキルにより、迅速な導入が可能になります。チームは自然言語で予測タスクを記述し、データ接続からGPUトレーニング、Snowflakeへの予測の書き戻しまで、実行可能なノートブックを受け取ります。
この使いやすさにより、グラフベースの予測モデリングがより多くのユーザーの手に渡り、組織全体への影響力が高まります。Kumoはお客様のSnowflakeアカウント内で実行されるため、データが外部に出ることはありません。KumoはSnowflakeテーブルから読み取り、Snowflakeコンピュートプールでトレーニングを行い、予測をSnowflakeテーブルに書き戻します。チームは、ML JobsなどのSnowflake ML機能を使用してこれらのワークロードをオーケストレーションでき、すべてSnowflakeの既存のセキュリティ境界内で実行されます。
お客様がすでに得ている成果
Affirm、National Oilwell Varco（NOV）、VideoAmp、Yieldmoなどのお客様は、すでにSnowflake ML上でNVIDIA Kumoのメリットを享受しています。
NOVのFinance Business Operations担当VPであるLynn Steffen氏は、次のように述べています。「NVIDIA Kumoは、当社のデータサイエンス業務をスピードアップさせただけでなく、私たちが可能だと考えていたペースを変えました。NOVでは、ビジネスの非常に異なる領域全体でこれを活用しており、そのたびにデータをアクションに移すスピードが加速しています。
CoCoは、データと作業の間の摩擦を取り除くことで、Snowflakeにおけるその動きをさらに推し進め、データがすでに存在する場所で探索、構築、反復を行うことを可能にしました」
YieldmoのProduct担当VPであるCraig Simmons氏は、次のように述べています。「バイヤーは精度と規模のどちらかを選択する必要はありません。Companion Audiencesは、パフォーマンスを発揮するように設計された類似オーディエンスを構築します。すでに成果を上げているものから学習し、従来のターゲティングを拡張して、バイヤーが他では見つけられなかった新しいオーディエンスを発見するのに役立ちます。バイヤーは類似性のしきい値を設定し、Companionがキャンペーンを主導するかバックアップするかを決定します。また、マネージドサービスのバイヤーは、シード費用なしでコンバージョンデータから直接トレーニングできます。Snowflake MLで実行されるNVIDIA Kumoは、プライバシーを念頭に置いて構築されています」
使用を開始する
利用を開始するには、ガイドをご確認いただくか、Snowflake MLのドキュメントをご覧ください。
