วิธีทำนายข้อมูลตารางแบบไม่ต้องเทรนด้วย NVIDIA Structured Data Models
เรียนรู้วิธีใช้งาน NVIDIA Structured Data Models ไลบรารีใหม่ที่รวบรวมพรีเทรนฟาวเดชันโมเดลสำหรับตารางและฐานข้อมูล เพื่อทำนายผลได้ทันทีผ่าน PyTorch
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- รู้จัก NVIDIA Structured Data Models ไลบรารีใหม่สำหรับทำนายข้อมูลตาราง
- รวมพรีเทรนโมเดลอย่าง TabICLv2 และ KumoTabular ไว้ใต้ PyTorch อินเทอร์เฟซเดียว
- รองรับการทำนายข้อมูลแบบไม่ต้องเทรนซ้ำผ่านกระบวนการ in-context learning
- ครอบคลุมการใช้งานทั้งตารางเดี่ยวและฐานข้อมูลเชิงสัมพันธ์ทั้งระบบ
ในบทความนี้เราจะมาเจาะลึกการใช้งาน Structured Data Models ซึ่งเป็นไลบรารีล่าสุดจาก NVIDIA ที่ถูกพัฒนาขึ้นมาเพื่อรวบรวมพรีเทรนฟาวเดชันโมเดลสำหรับข้อมูลตารางหลากหลายรุ่น ไว้ภายใต้ PyTorch อินเทอร์เฟซเดียว ช่วยให้นักพัฒนาสามารถดึงประสิทธิภาพของโมเดลเหล่านี้มาใช้ทำนายผลลัพธ์ได้อย่างรวดเร็วโดยไม่ต้องเสียเวลาเทรนโมเดลใหม่ตั้งแต่ต้น
ไลบรารีดังกล่าวทำหน้าที่รวบรวมโมเดลชั้นนำเอาไว้ด้วยกันอย่างครบถ้วน ได้แก่ TabICLv2 และ KumoTabular สำหรับจัดการข้อมูลในรูปแบบตารางเดี่ยว (single tables) รวมไปถึง KumoRelational ซึ่งออกแบบมาเพื่อรองรับการประมวลผลข้อมูลในฐานข้อมูลเชิงสัมพันธ์ทั้งระบบ (whole relational databases) ทำให้มีความยืดหยุ่นสูงในการนำไปประยุกต์ใช้กับชุดข้อมูลที่หลากหลาย
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
การทำนายผลแบบ zero-training หรือการไม่ต้องเทรนโมเดลใหม่ ถือเป็นก้าวสำคัญในวงการแมชชีนเลิร์นนิงสำหรับข้อมูลตาราง (Tabular Data) ซึ่งโดยปกติมักจะต้องใช้เวลาและทรัพยากรจำนวนมากในการปรับจูนไฮเปอร์พารามิเตอร์ การใช้ in-context learning ช่วยให้โมเดลสามารถเรียนรู้และตอบสนองต่อชุดข้อมูลใหม่ได้ทันทีจากบริบทที่ป้อนเข้าไปคล้ายกับการทำงานของโมเดลภาษาขนาดใหญ่ (LLM)
หลักการทำงานหลักของเครื่องมือชุดนี้อาศัยกระบวนการ in-context learning ซึ่งช่วยให้แต่ละโมเดลสามารถวิเคราะห์และให้คำตอบจากชุดข้อมูลทดสอบได้ทันทีผ่านโครงสร้างคำสั่งมาตรฐานที่เชื่อมต่อผ่าน PyTorch นักพัฒนาจึงสามารถนำไปต่อยอดในโปรเจกต์ด้านวิทยาศาสตร์ข้อมูลได้อย่างราบรื่น
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น