NVIDIA merilis Kumo, model terbuka untuk prediksi data tabel dan skor risiko fraud

NVIDIA memakai GTC Berlin untuk memperluas keluarga model terbukanya di beberapa bidang sekaligus: bahasa dan penglihatan, robotika, biologi, dan komputasi kuantum. Yang paling relevan untuk pekerjaan data perusahaan adalah keluarga Kumo, kumpulan model fondasi berbobot terbuka, pustaka, dan perkakas untuk data bisnis terstruktur. NVIDIA menempatkannya di bawah payung Agent Knowledge Foundation, bagian dari upaya menghubungkan agen dengan pengetahuan perusahaan yang tersimpan rapi dalam tabel dan basis data relasional, bukan dalam teks bebas.

Masalah yang dibidik Kumo cukup spesifik. Selama ini setiap tugas prediksi di perusahaan menuntut pipeline pembelajaran mesin sendiri: menyiapkan fitur, melatih model, menyetel, lalu menerapkannya. Kumo menyediakan model terlatih yang bisa langsung dipakai untuk mempercepat waktu ke prediksi, lalu disetel dengan data milik perusahaan ketika akurasi menjadi penentu. Kumo Structured mencakup model untuk prediksi relasional dan tabel, peramalan, serta deteksi anomali, sedangkan Kumo Engine adalah tumpukan pustaka terbuka untuk mengembangkan dan menerapkan model fondasi data terstruktur.

Beberapa nama yang disebut NVIDIA sebagai pengguna awal memberi gambaran arah pemakaian: Cognite di data industri, Coinbase di aset digital, Databricks dan Snowflake di platform data, DoorDash di operasional pengiriman, Revolut di jasa keuangan, serta Tubi di media. NVIDIA menyebut pelanggan Snowflake sudah memakai model Kumo untuk mempercepat pengembangan AI di industri periklanan, energi, jasa keuangan, dan ritel. Databricks mengombinasikan Kumo untuk prediksi data terstruktur dengan Nemotron Retriever untuk mencari bukti dari data tak terstruktur.

Dari sisi ketersediaan, model Kumo bisa diunduh sebagai bobot terbuka di Hugging Face dan dipakai lewat mikrolayanan NIM di build.nvidia.com untuk inferensi produksi. Rilis lain dalam gelombang yang sama mencakup Nemotron 3.5 Super VL, Nemotron 3.5 Bolt yang versi E4B 4GB dijadwalkan tersedia pada 23 Oktober, Nemotron Retriever untuk embedding, reranking, dan parsing dokumen, Cosmos 3.5 untuk model dunia, Alpamayo 2 Edge untuk kendaraan otonom, BioNeMo RFD4-Proteina untuk desain protein, serta Ising untuk komputasi kuantum. NVIDIA mengklaim RFD4-Proteina menghasilkan desain sekitar 13 kali lebih cepat daripada RFdiffusion3 pada uji protein 200 asam amino, klaim yang belum diuji pihak independen dalam laporan ini.

Bagi tim data di bank, daya tarik utamanya bukan benchmark, melainkan kenyataan bahwa model untuk data tabel kini tersedia sebagai bobot terbuka dan bisa berjalan di infrastruktur sendiri. Data transaksi dan profil nasabah tidak perlu keluar dari lingkungan yang dikendalikan. Namun dua hal perlu diperiksa sebelum dipakai di jalur keputusan kredit atau deteksi fraud: dokumentasi model card tentang data latih dan bias, serta tata cara evaluasi ulang ketika model disetel dengan data internal. Tanpa keduanya, model terbuka hanya memindahkan ketergantungan dari vendor ke tim yang harus membuktikan sendiri bahwa modelnya layak dipakai dalam keputusan yang menyangkut nasabah.