Comment réaliser des prédictions sur données tabulaires sans entraînement avec les modèles de données structurées de NVIDIA
NVIDIA a publié Structured Data Models, une bibliothèque qui regroupe derrière une seule interface PyTorch plusieurs modèles de fondation préentraînés pour les données tabulaires. Elle enveloppe TabICLv2 et KumoTabular pour les tables isolées, ainsi que KumoRelational (fondé sur KumoRFM-2) pour des bases relationnelles entières. Chacun fonctionne par apprentissage en contexte: on fournit au modèle des lignes étiquetées et les lignes à prédire, et il renvoie en un seul passage avant des probabilités ou une distribution prédictive complète, sans aucun entraînement ni réglage fin. Un tutoriel pas à pas montre l'usage de la bibliothèque. Il part des tenseurs de table typés, compare les deux modèles tabulaires à des références scikit-learn entraînées, réutilise un contexte encodé pour de nombreuses requêtes, extrait des intervalles de prédiction calibrés d'une régression et passe à vingt classes. Il construit ensuite une petite base de boutique à trois tables pour prédire l'activité des clients. L'installation se fait depuis un commit précis du dépôt GitHub de NVIDIA, et le code a été vérifié de bout en bout sur CPU, un GPU de type T4 pouvant servir pour les modèles tabulaires. Les poids pèsent environ 110 Mo par tête de tâche pour TabICLv2 (licence BSD-3), de 110 Mo à 855 Mo pour KumoTabular selon la taille, et environ 120 Mo pour KumoRelational (licence OpenMDW).
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'intérêt est pratique. Les données tabulaires dominent l'analyse en entreprise, mais y obtenir de bonnes prédictions suppose généralement de construire un pipeline, d'entraîner un modèle et de l'ajuster pour chaque nouveau jeu de données. Un modèle préentraîné qui prédit directement à partir d'exemples réduit ce travail à une inférence, ce qui rend l'expérimentation rapide accessible à des équipes sans spécialiste. La possibilité de lire des intervalles de prédiction calibrés est précieuse pour les décisions où l'incertitude compte. Surtout, le volet relationnel évite d'aplatir à la main plusieurs tables en une seule, étape coûteuse et source d'erreurs. Le tutoriel insiste toutefois sur les pièges: la recette de prétraitement par défaut abandonne silencieusement les colonnes d'horodatage et de texte, l'outil d'explication comporte deux écueils, et un argument précis distingue un modèle relationnel honnête d'un modèle qui fuit de l'information du futur.
Cette sortie s'inscrit dans la montée des modèles de fondation pour tables, après les succès des modèles de langage et de vision. TabICL, présenté à l'ICML 2026, et les modèles de Kumo, spécialiste de l'apprentissage sur graphes relationnels, y côtoient d'autres acteurs comme Google, dont TabFM (6,5 Go) et TimesFM 3 (1,3 Go) sont cités mais écartés ici en raison de leur licence non commerciale. En unifiant ces approches, NVIDIA positionne sa pile logicielle comme point d'entrée du secteur. Le tutoriel signale aussi des détails d'ingénierie, comme l'URL erronée du paquet pyg-lib affichée par l'erreur d'import de la bibliothèque, qui trahissent un projet encore jeune. La suite dépendra de la robustesse de ces modèles sur de grandes tables réelles, face aux arbres de gradient boosting qui restent la référence.
Pas d'impact direct sur la France/UE