Los modelos Kumo de NVIDIA dejan que los agentes predigan desde sus tablas. La ontología necesita dueño
Agent Knowledge Foundation de NVIDIA añade Auto-Ontology y modelos Kumo de predicción relacional, tabular y temporal. Los agentes van más allá de buscar; el significado es el punto débil.
Escuche este artículo · 5 min
Narración completa del artículo, generada con IA.
Pregunte a un agente empresarial típico qué clientes de este trimestre tienen más probabilidad de dejar de comprar, y hará lo que fue diseñado para hacer: buscar. Encontrará documentos que mencionan la pérdida de clientes, una exportación de un panel, quizá la presentación al consejo del año pasado, y escribirá un párrafo fluido. Lo que no puede hacer es mirar las relaciones entre clientes, pedidos, productos e incidencias de soporte y estimar, cliente por cliente, qué va a pasar.
Ese hueco es el que NVIDIA abordó el 21 de octubre con Agent Knowledge Foundation, una ampliación de su Agent Toolkit de código abierto. Las piezas:
- Auto-Ontology, una librería nueva que traduce los datos en bruto de la empresa a conceptos de negocio, como clientes, productos y pedidos, y mapea cómo se relacionan.
- Kumo, una nueva familia de modelos abiertos para datos estructurados: Kumo Tabular, Kumo Relational, Kumo Time Series y Kumo Forecast, además de un modelo de anomalías que Databricks combina con su Genie Ontology.
- Modelos Nemotron Retriever para búsqueda, y librerías CUDA-X como cuGraph, para grafos, y cuOpt, para optimización.
La propia organización de cadena de suministro de NVIDIA usa la pila a través de Foundry y AIP de Palantir. Los clientes de Snowflake pueden ejecutar Kumo Engine y Kumo Relational dentro de notebooks de Snowflake sobre pools de GPU, de forma que datos, entrenamiento y predicciones permanecen en la cuenta; Snowflake cita a Affirm, NOV, VideoAmp y Yieldmo como usuarios. Varios proveedores más afirman estar construyendo sobre ella.
Cuatro preguntas que un agente puede tener que responder
La forma útil de leer el anuncio es como una lista de preguntas distintas. La búsqueda responde solo la primera.
| Componente en la pila de NVIDIA | Quién debe validarlo | |
|---|---|---|
| ¿Qué dicen nuestros documentos? | Búsqueda: Nemotron Retriever, rerankers | Responsables del contenido; evals de búsqueda |
| ¿Qué significan nuestros términos y cómo se relacionan? | Auto-Ontology | El responsable de negocio de cada definición |
| ¿Qué es probable que pase con este cliente, pedido o máquina? | Modelos predictivos Kumo | Ciencia de datos, con backtests sobre su historial |
| ¿Cuál es la mejor acción con estas restricciones? | Optimización con cuOpt | Operaciones, frente a restricciones reales |
La segunda y la tercera filas son lo nuevo. Un modelo relacional que aprende de tablas, claves y del momento de los eventos puede estimar la pérdida de clientes, el fraude, la demanda o la próxima compra sin que alguien aplane antes los datos en una única tabla ancha, que es como todavía funciona buena parte del modelado predictivo en las empresas. El ejemplo de Snowflake predice qué clientes activos volverán a comprar en los próximos 90 días a partir de cuatro tablas y unas pocas líneas de Python.
Una predicción es una herramienta que se llama, no un pensamiento
La lección de arquitectura es que un agente no debería estimar la probabilidad de que un cliente se vaya razonándola en texto. Debería llamar a un modelo entrenado para estimarla, recibir un número con una precisión conocida y razonar sobre qué hacer con ese número. Dijimos lo mismo cuando Google puso un modelo de pronóstico dentro de BigQuery: no todos los problemas de IA empresarial necesitan un modelo de lenguaje pensando.
Esa división también hace el sistema verificable. A un modelo Kumo se le puede hacer un backtest con los datos del año pasado, medir su error y vigilar su deriva, como a cualquier modelo predictivo que su equipo de riesgos ya revisa. A la estimación improvisada de un modelo de lenguaje, no.
La ontología es el nuevo punto débil
Auto-Ontology es la pieza más relevante y la más frágil. Mapear automáticamente tablas en bruto a conceptos de negocio resulta atractivo porque construir ontologías a mano es lento. Es arriesgado por la misma razón. Una ontología generada decidirá que un “cliente” es una fila de una tabla, que los “ingresos” son una columna concreta, que dos entidades se relacionan porque una clave lo dice. Son decisiones de negocio y, en la mayoría de las empresas, están en disputa.
Hemos escrito que las definiciones de negocio se están convirtiendo en infraestructura compartida de los agentes y que en las finanzas reguladas la ontología puede importar más que el chatbot. Una ontología generada automáticamente no elimina ese trabajo; produce un primer borrador. Trate el resultado como una propuesta que el responsable de cada definición aprueba, versiona y puede cambiar, no como una configuración que el equipo de plataforma acepta por defecto.
Precauciones antes de adoptarlo
- Los resultados del proveedor son del proveedor. Los ejemplos de NVIDIA sobre reranking más rápido y mejor relevancia proceden de socios y no se han medido de forma independiente.
- Predicción no es causalidad. Un modelo que predice bien la pérdida de clientes no explica por qué se van, y un agente que actúa sobre una predicción puede cambiar el comportamiento que predijo.
- Compruebe qué es abierto y con qué licencia antes de planificar sobre ello: Agent Knowledge Foundation combina componentes nuevos con otros que NVIDIA ya había lanzado, y la disponibilidad varía según la pieza.
- Mantenga la decisión en el sistema que la posee. Un agente que predice que un cliente se irá y le ofrece un descuento está asumiendo un compromiso comercial. Eso debería pasar por la misma aprobación que cualquier otro descuento.
La dirección es correcta. Los agentes empresariales que solo saben buscar documentos seguirán produciendo párrafos seguros sobre preguntas que piden números. El trabajo que viene con ello también está claro: alguien tiene que ser responsable de lo que significan las palabras de la ontología.