Kumo Tabular של NVIDIA: חיזוי מטבלאות בלי אימון ייעודי

NVIDIA רוצה לקצר את הדרך שבין טבלת נתונים עסקית לתחזית שאפשר לעבוד איתה. ב־29 בספטמבר 2026 פרסמה החברה את Kumo Tabular, מודל במשקולות פתוחות שמקבל שורות מתויגות כדוגמאות ומנבא תוצאות לשורות חדשות, ללא אימון ייעודי למשימה. עבור צוותי נתונים בישראל, ההבטחה היא פחות עבודת פיתוח לכל בעיית חיזוי חדשה, אבל לא פטור מהכנת נתונים ומבדיקת התוצאות.

01מה הושק: מודל יסוד לנתונים עסקיים

Kumo Tabular מגיע בשלושה גדלים, מכ־28 מיליון עד 215 מיליון פרמטרים. לפי פרסום ההשקה, המשקולות זמינות להורדה והרישיון מאפשר שימוש מסחרי. אלה מאפיינים חשובים לצוות שרוצה לבחון מודל בתוך סביבת המחשוב שלו, אך הם אינם מלמדים לבדם כמה זיכרון יידרש, מה תהיה מהירות החיזוי או מה תהיה עלות ההפעלה בפועל.

החידוש המרכזי אינו ממשק שיחה על גיליון, אלא אופן ביצוע החיזוי. במקום לבנות מודל ייעודי מחדש לכל טבלה, מזינים דוגמאות שבהן התוצאה כבר ידועה ומבקשים לחזות תוצאות עבור שורות אחרות. שימושים אפשריים שמוזכרים בתחקיר הם חיזוי נטישת לקוחות וחיזוי ביקוש, שתי משימות שבהן ההחלטה העסקית נשענת על דפוסים בנתונים היסטוריים.

לדוגמה, בתרחיש של נטישה, כל שורה יכולה לייצג לקוח ולכלול מאפיינים שנאספו לפני מועד ההחלטה. בשורות המתויגות מופיע גם המידע אם הלקוח נטש בהמשך. המודל אמור להשתמש בדוגמאות כדי לחזות תוצאה עבור לקוחות אחרים. זו המחשה של צורת העבודה, לא תוצאה של ניסוי שפורסם על עסק ישראלי.

02בלי אימון ייעודי לא אומר בלי עבודה על הנתונים

מבחינה מחקרית, השאלה המעניינת היא עד כמה יכולת שנלמדה מראש יכולה לעבור בין בעיות חיזוי שונות באמצעות דוגמאות בלבד. אם השיטה עובדת היטב על המשימה המקומית, היא עשויה לצמצם את הצורך במחזור פיתוח נפרד לכל יעד עסקי. עם זאת, ההשקה אינה מבטלת את הצורך להגדיר מה בדיוק מנבאים ואילו נתונים מותר להכניס לחיזוי.

בחיזוי ביקוש, למשל, צריך להחליט אם היעד הוא מכירות בפועל או הביקוש שהיה מתקיים אילו המוצר נשאר במלאי. אלה אינם בהכרח אותו דבר. בחיזוי נטישה צריך לקבוע מה נחשב נטישה ומהו אופק התחזית. הגדרות לא עקביות יקשו על הערכה אמינה, גם כאשר המודל עצמו אינו דורש אימון נוסף.

גם בחירת העמודות היא החלטה מהותית. אם טבלת לקוחות כוללת סטטוס שעודכן רק לאחר ביטול המנוי, שימוש בו עלול לחשוף למודל את התשובה בעקיפין. תוצאה גבוהה במבחן כזה לא מעידה על יכולת לחזות נטישה מראש. לכן כדאי לבנות את ההערכה סביב השאלה מה העסק באמת ידע ברגע שבו היה צריך לפעול.

03ארבעה מבחני השוואה, ועדיין לא תשובה לכל עסק

NVIDIA מדווחת על הובלה בארבעה מבחני השוואה. זו טענה מחקרית רלוונטית של החברה, אך לא הוכחה לעליונות בכל טבלה או שימוש מעשי. התחקיר שסופק אינו מפרט את מלוא תנאי ההערכה, ולכן אין בסיס להסיק ממנו באיזה פער המודל מוביל, מול אילו חלופות בכל משימה, או האם היתרון נשמר על נתונים של חברה מסוימת.

מבחן שימושי לארגון צריך לכלול השוואה לשיטת העבודה הקיימת ולחלופה פשוטה. בחיזוי ביקוש, למשל, אפשר לבדוק אם המודל מוסיף ערך ביחס לתחזית המבוססת על היסטוריית המכירות. בחיזוי נטישה, צריך לבחון לא רק כמה תחזיות נכונות, אלא גם כמה פניות שימור מיותרות נוצרות וכמה לקוחות בסיכון אינם מזוהים.

חשוב גם להפריד בין איכות החיזוי לבין נוחות ההפעלה. מודל יכול לחסוך עבודת פיתוח ועדיין לדרוש משאבי הרצה או תהליך הכנת נתונים שאינם מתאימים לעסק. מנגד, גם בלי יתרון בכל מדד דיוק, פישוט משמעותי של תהליך העבודה עשוי להיות שימושי. את שני סוגי הערך צריך למדוד בנפרד, ולא להסיק אותם ממספר הפרמטרים.

04מה כדאי לבדוק בפיילוט ישראלי

לרשת קמעונאית ישראלית, נקודת פתיחה אפשרית היא תחזית ביקוש למוצרים סביב חגים ומבצעים. לחברת תוכנה שמוכרת מנויים, זו יכולה להיות הערכת סיכון לנטישה על בסיס שימוש במוצר. אלה תרחישים מוצעים לבדיקה, לא יכולות שהוכחו בפרסום על השוק המקומי. היתרון האפשרי הוא היכולת לבחון משימה ממוקדת בלי להתחייב מראש לפרויקט אימון ייעודי.

1. בחרו יעד צר וברור: למשל ביקוש לפריט בתקופה מוגדרת, ולא ״שיפור המכירות״ באופן כללי.
2. הכינו דוגמאות מתויגות ובדקו שכל מאפיין היה זמין במועד שבו התחזית הייתה נדרשת.
3. שמרו תקופה מאוחרת יותר להערכה, כדי לבדוק התמודדות עם נתונים חדשים ולא רק עם דוגמאות דומות מהעבר.
4. השוו לתהליך הקיים לפי מדד עסקי: חוסר במלאי, עודפים או יעילות פניות השימור.
5. מדדו זמן הכנת נתונים, זמן חיזוי ועלות הרצה, ובדקו את תנאי הרישיון ודרישות הגישה למידע.

הזווית המקומית אינה מסתכמת בעברית. בטבלה של עסק בארץ עשויים להופיע לוחות פעילות שונים, עונתיות סביב חגים ושדות שמקורם במערכות תפעוליות שונות. צריך לבדוק כיצד מכינים אותם למודל, ולא להניח שהיכולת לעבוד עם טבלאות מבטיחה טיפול אוטומטי בכל פורמט או שדה טקסט. גם אפשרות להורדת משקולות אינה מבטיחה לבדה שמידע אישי נשמר ומנוהל כראוי.

השלב הבא מבחינת צוותי מחקר ופיתוח הוא לבחון אם ההבטחה מחזיקה מחוץ למבחני החברה: על טבלאות חדשות, בהפרדה נקייה בין עבר לעתיד ובתנאי תפעול מציאותיים. Kumo Tabular מציע כיוון ברור לחיזוי עסקי עם פחות אימון ייעודי. ההחלטה אם לאמץ אותו צריכה להישען על ניסוי מקומי שמראה לא רק תחזית טובה, אלא גם החלטה עסקית טובה יותר.