‘다음달 누가 떠날까’도 질의로…엔비디아, 여러 표를 읽는 예측 AI 공개

어떤 고객이 다음 달 서비스를 떠날지 물으려면, 매번 새 예측 모델부터 만들어야 할까. 엔비디아가21일 소개한 Kumo Relational은 고객·주문·상품처럼 서로 연결된 데이터베이스에 예측 질문을 던지는 방식을 제시했다. 표를 한 줄로 합치고 질문마다 별도의 모델을 학습시키는 작업을 줄이려는 관계형 파운데이션 모델이다. 이미 학습된 모델이 요청에 담긴 과거 사례를 읽어 새 대상의 결과를 추정한다.

‘별도 훈련 없음’은 ‘과거 자료 없음’이 아니다

모델은 테이블의 값뿐 아니라 기본키·외래키로 연결된 기록과 시간 관계를 함께 읽는다. 예를 들어 사용자의 정보가 주문 이력과 어떻게 이어지는지를 보며, 결과가 이미 알려진 과거 사례를 문맥으로 받는다. 개발사 설명에서는 최대1만개 문맥 사례를 이용한다. 따라서 자기 업무 데이터를 주지 않아도 미래가 저절로 보인다거나, 학습을 전혀 하지 않은 AI라는 뜻은 아니다.

시간을 다루는 예측에서는 미래의 정답을 미리 입력에 섞는 오류도 중요하다. 발표는 과거의 특정 시점을 기준으로 그 이전 기록을 모델에 주고 이후 사건에서 정답을 계산하는 문맥 생성 방식을 설명한다. 이를 이용해 개발자는 무엇을 예측할지 질의 언어로 표현할 수 있다. 현재 배포 문서도 분류·회귀, 미래 구간의 수치 예측, 관련 항목의 순위·추천을 서로 다른 출력으로 구분한다.

높은 비교 점수보다 내 표의 관계를 먼저

엔비디아는 관계형 데이터베이스15개에 걸친41개 과제에서 지도학습 모델과 비교한 결과를 공개했다. 하지만 회사가 시험한 자료의 우위를 모든 데이터베이스에 그대로 적용할 수는 없다. 자체 설명도 의미 있는 관계와 시간 변화가 있는 자료에서 잘 작동하며, 학습 자료가 매우 많은 특정 과제에서는 전용 지도학습 모델이 더 나을 수 있다고 적는다. 예측 신호가 관련 표 사이의 제한된 연결 범위 안에 도달해야 한다는 조건도 있다.

이용 경로는 GPU 기반 structured-data-models 라이브러리와 별도 추론 서비스인 NVIDIA NIM으로 나뉜다. 코드의 Apache2.0과 가중치의 OpenMDW1.1은 같은 라이선스로 뭉뚱그릴 수 없다. 서비스에 바로 고객 판단을 맡기는 단계보다, 몇 개의 관련 표와 좁은 질문에서 실제 과거 정답을 가리고 성능을 대조할 수 있게 된 변화다. 이번 글에서 모델을 실행하거나 실제 고객 이탈 예측률을 측정한 것은 아니다.