기업은 관계형 데이터를 기반으로 움직입니다. 고객은 주문과 연결되고, 주문은 제품과 연결되며, 트랜잭션은 계정과 연결됩니다. 이러한 관계와 시간에 따른 관계의 변화에는 다음에 일어날 일을 예측하는 가장 강력한 신호가 담겨 있습니다.
오늘 NVIDIA는 오픈 모델과 라이브러리를 제공하는 Agent Knowledge Foundation을 발표했습니다. 이러한 모델과 라이브러리는 엔터프라이즈 에이전트가 적절한 근거를 검색하고, 일관된 비즈니스 의미를 적용하며, 결과를 예측하고, 행동을 최적화하도록 지원합니다. 이 발표의 일환으로 NVIDIA는 구조화된 데이터 전반에서 예측형 AI를 지원하는 새로운 오픈 모델, 라이브러리, 도구 제품군인 Kumo도 발표했습니다.
Snowflake 고객은 NVIDIA Kumo Relational 모델과 NVIDIA Kumo Engine을 활용할 수 있습니다. NVIDIA Kumo Engine은 기업의 전체 관계형 그래프 전반에서 그래프 신경망을 대규모로 훈련하기 위한 오픈 소스 패키지입니다. Snowflake 고객은 Kumo 패키지를 설치하고, Container Runtime 기반 Snowflake Notebooks를 사용해 Snowflake ML에서 실행할 수 있습니다. 이를 통해 데이터 사이언스 팀은 데이터 간 관계를 기반으로 예측 모델을 구축할 수 있으며, 훈련과 스코어링, 데이터 모두 Snowflake의 보안 및 거버넌스 경계를 벗어나지 않습니다.
NVIDIA의 그래프 엔지니어링 VP인 Vanja Josifovski는 이렇게 말합니다. “엔터프라이즈 데이터는 본질적으로 관계형이며, 가장 정확한 예측은 이 구조를 버리는 것이 아니라 구조 자체에서 직접 학습할 때 나옵니다. NVIDIA Kumo를 활용하면 Snowflake 고객은 NVIDIA GPU 가속을 통해 서로 연결된 데이터, 즉 테이블과 키, 시간 패턴에 그래프 신경망을 적용할 수 있습니다. 이 모든 과정에서 데이터는 거버넌스가 적용되는 환경 밖으로 이동하지 않습니다. 이것이 바로 엔터프라이즈 데이터 기반 예측형 AI가 구현되어야 하는 방식입니다.”
작동 방식
Kumo는 풍부한 연결 관계를 컬럼 수가 많은 단일 테이블로 평탄화하도록 요구하지 않습니다. 대신 테이블, 이를 연결하는 키, 이벤트 발생 시점으로 구성된 관계형 구조와 시간 패턴에서 직접 학습합니다. 이는 고객 이탈, 사기 탐지, 수요 예측, 제품 추천과 같은 핵심 엔터프라이즈 예측 작업 전반에 적용됩니다.
다음은 Snowflake Notebook에서 4개의 Snowflake 테이블과 몇 줄의 Python 코드로, 활성 고객 중 향후 90일 이내에 다시 구매할 고객을 예측하는 모델을 훈련하는 예제 코드입니다.
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"
)
고객은 Kumo 패키지를 Snowflake Notebook에 설치하고 Snowflake 인프라에서 실행합니다.
- Snowflake Notebooks는 거버넌스가 적용된 데이터에 연결하고, 예측 타깃을 정의하며, 결과를 검토할 수 있는 개발 환경을 제공합니다.
- GPU 컴퓨팅 풀은 Snowflake의 컨테이너 런타임을 통해 NVIDIA GPU 인프라를 제공하며, 다른 Snowflake 리소스와 동일한 제어 체계로 관리됩니다.
- Snowflake CoCo용 NVIDIA의 검증된 에이전트 스킬을 활용하면 더 빠르게 시작할 수 있습니다. 팀은 자연어로 예측 작업을 설명하기만 하면, 데이터 연결부터 GPU 훈련, 예측 결과를 Snowflake에 다시 기록하는 과정까지 포함된 실행 가능한 노트북을 받을 수 있습니다.
이처럼 사용이 간편해 더 많은 사용자가 그래프 기반 예측 모델링을 활용할 수 있으며, 조직 전반에서 더 큰 효과를 얻을 수 있습니다. Kumo는 고객의 Snowflake 계정 내부에서 실행되므로 데이터가 계정을 벗어날 필요가 없습니다. Kumo는 Snowflake 테이블에서 데이터를 읽고, Snowflake 컴퓨팅 풀에서 훈련한 뒤, 예측 결과를 다시 Snowflake 테이블에 기록합니다. 팀은 Snowflake의 기존 보안 경계 안에서 ML Jobs와 같은 Snowflake ML 기능을 사용해 이러한 워크로드를 오케스트레이션할 수 있습니다.
이미 성과를 확인한 고객들
Affirm, National Oilwell Varco(NOV), VideoAmp, Yieldmo와 같은 고객은 이미 Snowflake ML 기반 NVIDIA Kumo의 가치를 경험하고 있습니다.
NOV의 재무 비즈니스 운영 VP인 Lynn Steffen은 이렇게 말합니다. “NVIDIA Kumo는 데이터 사이언스 업무의 속도를 높이는 데 그치지 않았습니다. 우리가 가능하다고 생각하던 속도 자체를 바꾸어 놓았습니다. NOV에서는 매우 다양한 비즈니스 영역에 이를 적용해 왔고, 그때마다 데이터를 행동으로 전환하는 속도가 더 빨라졌습니다.
CoCo는 Snowflake 안에서 데이터 활용을 가로막는 걸림돌을 없애 이러한 변화를 더욱 가속화했습니다. 데이터가 이미 있는 곳에서 탐색과 구축, 반복적인 개선을 할 수 있게 된 것입니다.”
Yieldmo의 제품 VP인 Craig Simmons는 이렇게 말합니다. “광고 구매자가 정밀도와 규모 중 하나를 선택해야 해서는 안 됩니다. Companion Audiences는 성과 창출을 목표로 설계된 행동 유사 오디언스(act-alike audiences)를 구축합니다. 이미 성과를 내고 있는 요소에서 학습해 기존 타기팅을 확장하고, 광고 구매자가 다른 방식으로는 발견하지 못했을 새로운 오디언스를 찾도록 지원합니다. 광고 구매자는 유사도 임계값을 설정하고, Companion이 캠페인을 주도할지 보완할지 결정할 수 있습니다. 또한 매니지드 서비스 이용자는 시드 데이터 확보를 위한 광고비 지출 없이 전환 데이터를 직접 활용해 훈련할 수 있습니다. Snowflake ML과 함께 실행되는 NVIDIA Kumo는 개인정보 보호를 염두에 두고 설계되었습니다.”
시작하기
시작하려면 가이드를 확인하거나 Snowflake ML 설명서를 살펴보세요.
