Segun MarkTechPost (AI/ML News), NVIDIA ha presentado Kumo Tabular, una nueva familia de modelos fundamentales estructurados (TFMs) diseñados para tareas de clasificación y regresión. Este avance permite predecir filas nuevas en una sola pasada de inferencia, sin necesidad de entrenamiento, optimización de hiperparámetros ni ingeniería de características. El sistema está disponible en tres versiones: Small (alrededor de 28 millones de parámetros), Medium (casi 100 millones) y Large (hasta 215 millones), cada una adaptada a distintas capacidades computacionales. La tecnología se ejecuta dentro de la biblioteca abierta de modelos estructurados (SDM), desarrollada por NVIDIA, que también integra otros modelos como TabICLv2, TabFM de Google y KumoRelational para datos en múltiples tablas.
El diseño de Kumo Tabular se basa en arquitecturas de Transformadores, adaptadas a la estructura de una tabla. Cada celda recibe una representación mediante funciones de Fourier aprendidas, con pesos separados para valores numéricos y categóricos. La detección de valores faltantes no requiere imputación previa, simplificando el proceso. En la etapa de embeddings de filas, se emplean mecanismos de atención inducida, lo que asegura que el costo computacional aumente linealmente con el número de filas. La atención por filas, acompañada de posiciones rotativas, permite capturar interacciones entre características. Cada fila es representada por cuatro tokens aprendidos, denominados [CLS], que actúan como resúmenes. En la fase final, un modelo de Transformador procesa las representaciones de filas, donde las filas de contexto se comunican entre sí, mientras que las consultas solo interactúan con el contexto.
Este enfoque, conocido como aprendizaje en contexto, permite a los desarrolladores aplicar soluciones rápidas sin necesidad de preparar datos o construir pipelines complejos. La implementación requiere Python 3.11 o superior, PyTorch 2.7 o más, y se optimiza para GPUs con soporte de CUDA. Los pesos están licenciados bajo OpenMDW-1.1, permitiendo su uso en entornos comerciales, mientras que el código fuente de la biblioteca SDM sigue la licencia Apache-2.0.
Para los usuarios peruanos, esta tecnología representa una oportunidad para acelerar procesos en sectores como banca, comercio minorista o gestión de inventarios, donde los datos estructurados son clave. Aunque el modelo aún no está disponible en plataformas locales, su capacidad de integrarse directamente en sistemas existentes puede reducir tiempos de desarrollo. En un entorno donde las empresas buscan soluciones rápidas y escalables, Kumo Tabular ofrece un ejemplo práctico de cómo el machine learning puede ser aplicado sin grandes inversiones en infraestructura. El acceso abierto a los modelos y sus licencias facilita la adopción por pequeñas y medianas empresas, impulsando la digitalización de operaciones cotidianas.