엔비디아 Kumo Relational, 업무별 학습 없이 고객 이탈 예측

엔비디아가 10월 21일(현지시간) 기업 데이터베이스에서 바로 예측하는 AI 모델 Kumo Relational을 공개했다. 미리 학습해 둔 모델에 예측할 대상만 지정하면 고객 이탈, 수요, 사기 여부 등을 예측한다. 엔비디아는 업무마다 모델을 새로 학습시킬 필요가 없고, 사람이 예측에 쓸 항목을 일일이 만들 필요도 없다고 설명했다.

표를 합치는 작업이 왜 사라졌나

기업 데이터는 고객, 주문, 상품처럼 서로 연결된 여러 표에 나뉘어 있다. 지금까지 예측 작업에서는 이를 하나의 표로 합치고, ‘최근 30일 평균 주문액’ 같은 항목을 사람이 직접 만들어야 했다. 엔비디아는 이 과정에 상당한 노력이 들고, 데이터 사이의 세밀한 관계도 사라질 수 있다고 설명했다.

Kumo Relational은 표 사이의 연결과 시간 정보를 그대로 유지한 채 데이터를 다룬다. 실제 데이터베이스를 본뜬 가짜 데이터로 미리 학습했다. 새 업무에서는 결과를 이미 아는 과거 사례를 최대 1만 개까지 참고해 예측한다. 정확도를 더 높여야 할 때는 특정 데이터와 업무에 맞춘 추가 학습도 할 수 있다.

기존 예측 모델보다 나을까

엔비디아는 전자상거래, 의료, 기업 업무 등 15개 데이터베이스의 41개 과제에서 모델을 시험했다고 밝혔다. 시험에 쓴 데이터는 미리 학습할 때 쓰지 않았다. 대상을 분류하거나 수치를 예측하는 시험에서, 정답 데이터를 학습한 기존 모델과 전문가가 예측 항목을 설계한 모델보다 높은 성능을 냈다고 설명했다.

이미지: huggingface.co

기업 데이터 시험인 SAP SALT에서는 정답을 얼마나 앞순위에 올리는지 보는 점수(MRR)로 비교했다. 엔비디아에 따르면 Kumo Relational의 점수는 여러 모델을 조합한 AutoGluon보다 8% 높았다. 추가 학습을 거친 뒤에는 격차가 16%로 벌어졌다. 다른 시험인 RelArena-α에서는 예측 대상 1000개를 처리하는 데 걸린 시간이 중앙값 기준 약 17초였다. 가장 높은 점수를 받은 모델은 약 7300초가 걸렸고, 정확도 점수는 Kumo Relational보다 높았다.

성능이 특히 잘 나오는 쪽은 시간에 따라 변하는 고객 행동처럼 관계와 변화가 중요한 데이터라고 회사는 설명했다. 학습 데이터가 매우 많은 과제에서는 그 업무에 맞춰 학습한 모델이 더 나을 수 있다고도 밝혔다. 예측에 필요한 정보가 표 사이에서 너무 멀리 떨어져 있으면 제약이 있어, 관련된 표 몇 개로 시작해 범위를 넓히라고 안내했다.

기업 업무에는 어떻게 쓰나

기업의 AI 담당자는 엔비디아가 공개한 오픈소스 소프트웨어에서 모델을 불러올 수 있다. NVIDIA NIM 형태로 별도 서비스를 구성하는 방법도 있다. 모델은 GPU 환경에서 실행하며, 처음 쓸 때 허깅페이스에서 내려받는다. 스스로 일을 처리하는 AI(에이전트)가 예측을 요청하도록 설계해, 고객별 향후 주문량 같은 질문을 업무 흐름에 붙일 수 있다는 설명이다.

이미지: huggingface.co

이번 공개는 새 예측 업무를 시작할 때 데이터 가공과 모델 학습 부담을 줄이는 데 초점을 맞췄다. 고객 이탈이나 수요를 예측하려는 팀은 업무마다 별도 모델을 만드는 과정을 줄일 수 있다. 남은 확인거리는 자사 데이터에서도 정확도와 처리 속도가 유지되는지, 필요한 GPU 자원과 운영 비용이 얼마나 되는지다.