Kompanija NVIDIA je ponovo podigla lestvicu u svetu veštačke inteligencije. Njihov najnoviji model, Kumo Tabular, objavljen na platformi Hugging Face, obećava revoluciju u načinu na koji mašine obrađuju i predviđaju podatke smeštene u tabelama — segmentu koji je godinama bio “sveti gral” za mnoge data naučnike.
Iako su veliki jezički modeli (LLM) preuzeli svet, tabelarni podaci su i dalje kičma poslovanja. Od predviđanja prodaje i analize rizika, do medicinske dijagnostike — sve se svodi na redove i kolone. NVIDIA tvrdi da Kumo Tabular postavlja novu granicu kada je u pitanju odnos tačnosti i efikasnosti, što je često najveći izazov u ovom polju.
Šta Kumo Tabular donosi na sto?
Za razliku od klasičnih modela koji zahtevaju ogromne resurse za treniranje, Kumo Tabular je optimizovan za brzinu i preciznost. Prema dokumentaciji dostupnoj na Hugging Face blogu, model je dizajniran da se nosi sa složenim tabelarnim strukturama koje često sadrže nedostajuće vrednosti ili kategoričke podatke.
Ono što posebno raduje developere jeste činjenica da je model objavljen pod OpenMDW licencom (verzija 1.1). Ova otvorena licenca omogućava široku primenu u komercijalne svrhe, što bi moglo značajno da ubrza integraciju AI rešenja u enterprise okruženjima.
Zajednica već testira, ali ima i zamerki
Iako su prve reakcije uglavnom pozitivne, korisnici na platformi su brzo uočili i sitne propuste. Jedan od komentatora je istakao da link ka licenci u zvaničnom tekstu trenutno nije funkcionalan, što je NVIDIA timu signal da izvrši manje korekcije u dokumentaciji.
Ovo nije prvi put da NVIDIA istovremeno radi na više frontova. U isto vreme kada izbacuju Kumo Tabular, najavljuju i alate za simulaciju robotike (NVIDIA Warp) kao i unapređenja za Nemotron 3 sistem za dijarizaciju govora. Jasno je da kompanija želi da pokrije ceo spektar AI primene — od jezika i vida, do simulacija i analitike.
Zašto je ovo važno za srpsko tržište?
Za domaće kompanije koje se bave obradom podataka, Kumo Tabular bi mogao da znači značajno smanjenje troškova infrastrukture. Umesto da iznajmljuju skupe GPU klastere za treniranje modela, mogu da iskoriste optimizovane modele koji daju bolje rezultate sa manje resursa.
U svetu gde se svaki gigabajt i svaki sekund obrade mere novcem, NVIDIA je poslala jasnu poruku: tabelarni podaci nisu zastareli — samo im je trebao bolji algoritam.