İlişkisel Temel Modelleri Karşılaştırın

SAP-RPT-1-OSS'yi gradyan artırma (LightGBM, CatBoost) ile 17 tablo dataset'inde kıyasladık; bunlar semantik-sayısal spektrumu, küçük/yüksek semantik tabloları, karma iş dataset'lerini ve büyük düşük semantik sayısal dataset'leri kapsıyor.

Amacımız, ilişkisel bir LLM'nin önceden eğitilmiş semantik önceliklerinin geleneksel ağaç modellerine göre nerede avantaj sağlayabileceğini ve ölçek ya da düşük semantik yapı altında nerede zorluklarla karşılaştığını ölçmektir.

SAP-RPT-1-OSS ve Gradient Boosting: Benchmark sonuçları

• Başarı Oranı: Ortalama normalize edilmiş skoru temsil eder (0.0 ile 1.0). Daha yüksek çubuk, modelin o kategorideki dataset'ler için mümkün olan en iyi performansa sürekli olarak daha yakın olduğunu gösterir.
• 100 – 500 satır (3 Dataset):
  • Dahil olanlar: wine (178), sonar (208), vote (435).
  • Sonuç: SAP, 3 dataset'in 2'sinde en iyi performansı gösterir. wine ve sonar üzerinde en yüksek skorları elde eder; bu, eğitim verisi az olduğunda LLM önceliklerinin faydalı olabileceğini düşündürür. Ancak CatBoost, vote dataset'inde dar bir zafer elde etti (fark %0,1), bu da ağaç modellerinin küçük ölçeklerde bile oldukça rekabetçi kaldığını gösterir.
• 501 – 1.000 satır (3 Dataset):
  • Dahil olanlar: cylinder_bands (540), breast_cancer (569), credit_g (1.000).
  • Sonuç: SAP, 3 dataset'in tamamında en iyi performansı gösterir. cylinder_bands üzerinde SAP, LightGBM'yi %5,5 farkla geride bıraktı; bu muhtemelen endüstriyel kusurların semantik açıklamalarını daha iyi ele almasından kaynaklanabilir, ancak bu mekanizmayı doğrulamak için daha fazla ablasyon çalışması gerekecektir.
• 1.000 – 10.000 satır (5 Dataset):
  • Dahil olanlar: titanic (1.3K), car_evaluation (1.7K), spambase (4.6K), compas (5.2K), employee_salaries (9.2K).
  • Sonuç: SAP, 5 dataset'in 4'ünde en iyi sonucu elde eder; özellikle spambase ve titanic gibi metin ağırlıklı görevlerde oldukça iyi performans gösterir. Ancak CatBoost, compas üzerinde SAP'yi %10,4 farkla önemli ölçüde geride bırakır; bu da bu boyut aralığında bile ağaç modellerini destekleyen dataset'e özgü özelliklerin olduğunu gösterir.
• 10.000+ satır (6 Dataset):
  • Dahil olanlar: california_housing (20K), house_sales (21K), default_credit (30K), adult_income (48K), diamonds (53K), higgs_100k (98K).
  • Sonuç: Veri hacmi büyüdükçe, LLM'nin potansiyel "ön bilgi" avantajı azalır. LightGBM ve CatBoost, 6 dataset'in 5'inde en iyi sonuçları elde eder ve çok daha düşük hesaplama maliyetiyle daha iyi doğruluk sunar. Tek istisna olan california_housing, SAP için mütevazı bir %1,7 avantaj gösterir.

1. Benchmark sonuçları dataset tablosu

Aşağıda, tüm 17 dataset'te model performansının eksiksiz dökümü bulunmaktadır.

2. Maliyet ve verimlilik analizi

Her model için doğrudan hesaplama maliyetini, RunPod H200 örneğinin saatlik $3,59/saat fiyatlandırmasına dayanarak hesapladık.

SAP-RPT-1-OSS, metin embedding ön işleme için gereken süre ve LLM mimarisinin ağır bellek ek yükü nedeniyle önemli ölçüde daha yüksek maliyetlere yol açar. Buna karşılık LightGBM ve CatBoost bu donanımda görevleri neredeyse anında tamamlar. Aşağıdaki maliyetler, 3 katlı çapraz doğrulama çalışması için toplam duvar saati süresini (ön işleme + eğitim) yansıtır.

Dataset başına ortalama maliyet (17 Dataset Ort.)

Dataset boyutuna göre maliyet dağılımı

• Küçük Dataset'ler (<1K satır): SAP nispeten ucuzdur (çalıştırma başına ≈ $0,03). Buradaki yüksek kazanma oranı maliyeti ihmal edilebilir kılar.
• Büyük Dataset'ler (>20K satır): SAP pahalı hale gelir.
  • Örnek: adult_income (48k satır) üzerinde eğitim, 3 kat için toplam ≈$12 dakika sürer.
  • Maliyet: 12 dak X $0,06/dak = $0,72 deney başına.
  • Karşılaştırma: LightGBM aynı görevi $0,01 karşılığında tamamlar.

Sonuç: Dataset başına $0,22 mutlak anlamda pahalı olmasa da SAP, temelden 22x daha pahalıdır. Bu maliyet farkı, SAP'nin anlamlı doğruluk iyileştirmeleri gösterdiği küçük, semantik açıdan zengin dataset'ler için haklı görülebilir (ör. +%5,5 artışla cylinder_bands), ancak ağaç modellerinin maliyetin çok daha azında eşit veya daha iyi performans elde ettiği büyük dataset'ler için haklı çıkarmak zorlaşır.

3. Analiz çerçevesi: Semantik Spektrum

Bu sonuçları yorumlamak için veriyi nasıl seçtiğimizi anlamak çok önemlidir. Dataset'leri rastgele seçmedik; Semantik-Sayısal Spektrumu kapsayacak şekilde özel olarak seçilmiş 17 dataset'ten oluşan bir set oluşturduk.

Temel hipotezimiz, SAP'nin (LLM tabanlı olduğundan) verinin dilsel anlam taşıdığı yerlerde üstün olacağı, ağaç modellerinin ise ham sayısal hesaplamada baskın olacağıydı. Dataset'lerimizi üç farklı kümeye ayırdık:

Küme A: Yüksek semantik dataset'ler (6 dataset)

Özellikler: Özellikler zengin metin açıklamaları, gerçek dünya anlamı taşıyan kategorik etiketler (ör. "doktor ücreti dondurma") veya alana özgü terminoloji içerir.

• Dataset'ler:
  • cylinder_bands: Endüstriyel baskı kusurları.
  • titanic: Yolcu adları ve unvanları.
  • vote: Kongre oylama kayıtları (politikalara ilişkin kategorik "Evet/Hayır").
  • breast_cancer: Tıbbi tümör açıklamaları.
  • spambase: E-posta kelime frekansları.
  • wine: Kimyasal kökenler.

Küme B: Karma iş verileri (6 dataset)

Özellikler: Çoğu kurumsal veritabanında bulunan standart tablo formatı; sayısal değerler (maaş, yaş) ile kategorik dizelerin (iş unvanı, ırk, departman) bir karışımı.

• Dataset'ler:
  • employee_salaries: İş unvanları maaşa karşı.
  • compas: Sabıka geçmişi ve demografik bilgiler (Hassas öznitelikler).
  • adult_income: Nüfus sayımı demografisi.
  • credit_g: Alman kredi risk profilleri.
  • default_credit: Tayvan kredi temerrüt verileri.
  • car_evaluation: Araç satın alma parametreleri.

Küme C: Düşük semantik/saf sayısal veriler (5 dataset)

Özellikler: Özellikler soyut ölçümler, sensör okumaları veya fizik koordinatlarıdır. Sütun adları çoğu zaman önemli değildir; matematiksel ilişkiler önemlidir.

• Dataset'ler:
  • higgs_100k: Fizik parçacık kinematiği.
  • diamonds: Fiziksel boyutlar ve fiyat.
  • sonar: Frekans enerji yansımaları.
  • california_housing: Enlem/Boylam koordinatları ve nüfus sayımı istatistikleri.
  • house_sales: King County gayrimenkulleri (çoğunlukla sayısal özellikler).

4. Derinlemesine inceleme: SAP nerede kazanır, nerede başarısız olur

Analiz çerçevesini sonuçlarımıza uygulamak dört farklı performans modelini ortaya koyar. Aşağıdaki tablo, SAP'nin tam olarak nerede üstün olduğunu ve nerede zayıf kaldığını özetler.

İlişkisel temel modellerin kavramsal temelleri

İlişkisel bir temel modelin ana hedefi, yapılandırılmış tablolar üzerinde doğru tahminler yapmak ve çeşitli görevleri yerine getirmektir. Bu modeller bilginin farklı tablolarda nasıl temsil edildiğini, varlıkların ilişkiler aracılığıyla nasıl bağlandığını ve zamansal bilginin sonuçları nasıl etkilediğini anlamalıdır.

Bu tür modellerin temel yetenekleri şunlardır:

• Şema genelleştirmesi: Sıfırdan yeniden eğitmeden yeni ilişkisel şemalara uyum sağlama yeteneği.
• Birleşik girdi temsili: Sayısal, kategorik ve metinsel özellikler gibi farklı sütun türlerini ele alma.
• Zamansal ve yapısal bağlamın entegrasyonu: Zaman içindeki ve birincil/yabancı anahtarlarla bağlı varlıklar arasındaki bağımlılıkları yakalama.
• Aktarılabilirlik: Önceden eğitim ve sıfır atış öğrenme yoluyla yeni dataset'lerde tahmine dayalı görevleri yerine getirme.

Griffin

Griffin, birleşik bir ilişkisel temel model oluşturmaya yönelik ilk büyük ölçekli girişimlerden biridir. İlişkisel veriyi, her satırın bir düğüm haline geldiği ve kenarların yabancı anahtar ilişkilerine karşılık geldiği zamansal, heterojen bir grafik olarak temsil eder. Temel özellikler şunlardır:

Birleşik özellik kodlayıcı

• Kategorik ve metin özellikleri önceden eğitilmiş bir metin kodlayıcı ile kodlanırken sayısal değerler öğrenilmiş bir float kodlayıcı kullanır.
• Tablo adları, sütun adları ve kenar türleri gibi üst veriler, modelin ilişkisel şemayı tanımasına yardımcı olmak için gömülür.
• Görev embedding'leri, tek bir modelin paylaşılan kod çözücülerle regresyon ve sınıflandırma görevlerini yerine getirmesini sağlar.

Mesaj iletimi ve dikkat

Griffin, mesaj iletimli sinir ağlarını çapraz dikkat modülüyle bütünleştirir. Mesaj iletim bileşeni ilişkiler içindeki ve arasındaki bilgileri toplar; çapraz dikkat ise her satırdaki ilgili hücrelere odaklanır. Bu tasarım modelin çeşitli verileri ele almasına ve bağlı varlıklar arasındaki bağlamı korumasına yardımcı olur.

Ön eğitim ve fine-tuning

Model, maskelenmiş hücre tamamlama görevi aracılığıyla tek tablolu dataset'ler üzerinde önceden eğitilir ve ardından belirli görevler için ilişkisel veritabanları üzerinde fine-tuned edilir. Büyük ilişkisel benchmark'lardaki deneyler, Griffin'in hem doğruluk hem de transfer öğrenme verimliliğinde geleneksel GNN taban çizgilerinden ve tek tablolu modellerden daha iyi performans gösterdiğini ortaya koymaktadır.

Şekil 1: Griffin Model Çerçevesini gösteren grafik.¹

İlişkisel Transformer

Griffin grafik toplamaya odaklanırken, Relational Transformer (RT) transformer mimarilerini doğrudan ilişkisel veritabanlarına uygular. Her hücreyi değeri, sütun adı ve tablo adıyla zenginleştirilmiş bir token olarak ele alır.

Girdi temsili

Her token şunları birleştirir:

• Veri türüne (sayısal, metin veya tarih-saat) bağlı bir değer embedding'i.
• Tablo ve sütun metninden bir şema embedding'i oluşturulur.
• Ön eğitim sırasında değer gizlendiğinde bir maske token'ı kullanılır.

Bu yapı, RT'nin tutarlı bir girdi formatını korurken farklı şemalara sahip ilişkisel veritabanlarını işlemesini sağlar.

İlişkisel dikkat

RT, hücre düzeyinde çalışan bir ilişkisel dikkat mekanizması sunar. Şunları içerir:

• Sütun dikkati, sütunlar içindeki değer dağılımlarını öğrenmek için.
• Özellik dikkati, aynı satırdaki veya bağlı üst satırlardaki öznitelikleri birleştirmek için.
• Komşu dikkati, bağlı alt satırlardan bilgi toplamak için.

Together, bu dikkat katmanları satırlar, sütunlar ve tablolar arasındaki bağımlılıkları modelleyen ilişkisel bir grafik transformer'ı oluşturur.

Eğitim ve transfer sonuçları

RT, RelBench'teki ilişkisel veritabanları üzerinde önceden eğitilir. Deneylerde, önceden eğitilmiş model, sıfır atış ayarlarında tam denetimli modellerin performansının %94 kadarını elde etti. Ayrıca fine-tuning sırasında daha hızlı öğrendi ve yüksek doğruluğa ulaşmak için daha az eğitim adımı gerektirdi.²

Bu yaklaşım, ilişkisel veritabanlarının alanlar arasında aktarılabilir desenler paylaştığını ve hücre düzeyinde tokenleştirmenin yapılandırılmış veriler üzerindeki tahmine dayalı görevler için pratik bir temel sağladığını göstermektedir.

RelBench

RelBench, ilişkisel veritabanlarındaki birden çok ilişkili tablo arasında dağıtılmış verilerden uçtan uca öğrenmeye odaklanan ilişkisel derin öğrenmeyi ilerletmek için tasarlanmıştır.

İlişkisel veritabanları endüstri ve bilimde baskın veri yönetim sistemi olmaya devam ettiğinden RelBench, manuel özellik düzleştirmeye dayanmak yerine doğrudan ilişkisel yapılar üzerinde çalışan modelleri değerlendirmek için standartlaştırılmış ve tekrarlanabilir bir çerçeve sunar.

RelBench'in önceki sürümleri; sağlık, sosyal ağlar, e-ticaret ve spor gibi alanları kapsayan 11 ilişkisel veritabanı ile hem zorlu hem de alanla ilgili olacak şekilde tasarlanmış 70 tahmine dayalı görev sundu.³

Ocak 2026'da RelBench v2 yayımlandı; dört yeni veritabanı (SALT, RateBeer, arXiv ve MIMIC-IV) ve bir modelin ilişkisel bir veritabanındaki mevcut sütunları tahmin etme yeteneğini değerlendiren yeni bir Otomatik Tamamlama görev sınıfı da dahil olmak üzere 40 ek tahmine dayalı görev eklendi.

Sürüm ayrıca CTU entegrasyonu aracılığıyla veri erişimini genişletti; ReDeLEx üzerinden 70'ten fazla ilişkisel dataset'e erişim sağladı; doğrudan SQL veritabanı bağlantısı ekledi ve 4DBInfer deposundaki yedi dataset'i RelBench formatında dahil etti.

Dataset'ler ve görevlerin ötesinde RelBench, grafik sinir ağlarına dayalı ilişkisel derin öğrenme için açık kaynaklı bir referans uygulama sunar; grafik oluşturma için PyTorch Geometric ve tablo modelleme için PyTorch Frame ile birlikte ilerlemeyi izlemek için herkese açık bir liderlik tablosu kullanır.

v2 sürümü ayrıca isteğe bağlı zamana göre sansürlenmiş etiketler, bağlantı tahmininde NDCG metriği desteği, daha hızlı cümle embedding üretimi ve yapılandırılabilir önbellek yönetimi dahil olmak üzere çok sayıda kullanılabilirlik ve performans iyileştirmesi getirdi.⁴

VIEIRA

VIEIRA, tek bir tahmin motoru oluşturmak yerine temel modellerle programlamaya odaklanarak farklı bir yaklaşım benimser. SCALLOP olasılıksal mantık derleyicisini, büyük dil modelleri, görüntü modelleri ve diğer önceden eğitilmiş bileşenleri yabancı yüklemler olarak entegre eden bildirimsel bir dille genişletir.⁵

İlişkisel paradigma

VIEIRA'da, temel modeller ilişkisel girdileri ve çıktıları olan durumsuz işlevler olarak ele alınır. Bu, GPT, CLIP veya SAM gibi modellerin mantıksal kurallara göre oluşturulmasını sağlar. Örneğin:

• Bir program, metinden bilgi çıkarmak ve bunu yapılandırılmış ilişkiler olarak depolamak için GPT'yi kullanabilir.
• CLIP, görüntüleri sınıflandırabilir ve bunları bir tablodaki metin etiketleriyle ilişkilendirebilir.

Uygulamalar

Çerçeve şunları destekler:

• GPT kullanarak tarih ve matematik akıl yürütme.
• Metin çıkarma ve mantıksal çıkarım kullanarak akrabalık akıl yürütme.
• Bilgi getirme ve akıl yürütmeyi birleştiren soru yanıtlama.
• Çok modlu kompozisyon yoluyla görsel soru yanıtlama ve görüntü düzenleme.

Sembolik mantık ve sinirsel çıkarımı birleştirerek VIEIRA, veri analistlerinin ve geliştiricilerin yapılandırılmış veriler ve görüntüler üzerinde tahmine dayalı sorguları yanıtlamak için önceden eğitilmiş temel modelleri kullanan yorumlanabilir sistemler oluşturmasına olanak tanır.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Vaka çalışmaları

SAP Hana Cloud

SAP HANA Cloud; işlemler, analitik ve yapay zekayı birleştiren kurumsal uygulamalar için birleşik bir veri temeli işlevi görmek üzere tasarlanmış, cloud-native ve tamamen yönetilen bir hizmet olarak veritabanıdır. Tek amaçlı bir ilişkisel veritabanı olarak hizmet vermek yerine, kuruluşların operasyonel iş verilerinin üzerine "akıllı veri uygulamaları" inşa etmelerini sağlayan çok modelli bir platform olarak konumlandırılmıştır.

SAP HANA Cloud, farklı performans ve maliyet gereksinimlerini desteklemek için bellek içi işlemeyi disk tabanlı depolama ve veri gölü entegrasyonuyla birleştirir. Bu esnek tasarım, veri hacimleri ve kullanım dalgalandıkça dinamik olarak ölçeklenirken gerçek zamanlı iş yüklerini destekler.

Önemli bir farklılaştırıcı, tek bir veritabanı içinde ilişkisel, JSON/belge, grafik, uzamsal ve vektör verilerini destekleyen yerel çok modelli motorudur. Bu, uygulamaların verileri ayrı sistemler arasında taşımadan SQL sorgularını, grafik ilişkilerini ve vektör benzerlik aramasını birleştirmesine olanak tanır; böylece mimariyi basitleştirir ve gecikmeyi azaltır.

SAP HANA Cloud, SAP Business Technology Platform'un bir parçası olarak, çoğaltma olmadan canlı erişim de dahil olmak üzere SAP ve SAP dışı veri kaynaklarıyla doğrudan entegre olur ve varsayılan olarak kurumsal düzeyde güvenlik, kullanılabilirlik ve uyumluluk sağlar.

Genel olarak SAP HANA Cloud, ilişkisel veritabanının analitik, çok modelli veri ve kurumsal yapay zeka uygulamaları için temel katman işlevi gördüğü ilişkisel merkezli, yapay zeka yerel veri platformudur.

Şekil 2: Hana’nın birleşik veritabanını ve
çok modelli veri işlemeyi gösteren görüntü.⁶

SAP’nin sap-rpt-1

sap-rpt-1, bağlam içi öğrenme yoluyla çok çeşitli tahmine dayalı görevleri yerine getiren tek bir ilişkisel temel model sunar. Kullanıcılar her kullanım durumu için yeni bir modeli yeniden eğitmek yerine, "zamanında ödeme yapan müşteriler" ve "geç ödeme yapan müşteriler" gibi hedef desenlerine ilişkin birkaç örnek verir. Model daha sonra deseni tanır ve yeni veriler için anında doğru tahminler üretir.

Model; satırlar ve sütunlar arasındaki ilişkileri yakalayan iki boyutlu bir dikkat mekanizmasıyla tasarlanmıştır ve tablo ile sütun adları gibi üst verileri vektör embedding'lerine gömer. Bu tasarım, ilişkisel şemaların anlamını ve iş tablolarındaki zamansal bilgileri anlamasını sağlar.

SAP’nin yaklaşımı, veri analistleri ve iş kullanıcıları için çeşitli avantajlar sağlar:

• Birden çok tablo ve alanda çalışan tek bir model.
• Tekrarlanan fine-tuning veya özel geliştirme ihtiyacının olmaması.
• Tahmine dayalı içgörülere haftalar yerine dakikalar içinde erişim.
• Mevcut veri ambarları ve SAP sistemleriyle entegrasyon.

sap-rpt-1'i SAP ekosistemine gömerek iş uzmanları kendi verileriyle doğrudan etkileşime girebilir ve sezgisel arayüzler aracılığıyla tahminler alabilir. Sonuç, manuel özellik mühendisliği olmadan yapılandırılmış verilerden eyleme dönüştürülebilir kararlara giden daha hızlı bir yoldur.

Şekil 3: SAP alanlarında sap-rpt-1-large'un dar yapay zeka taban çizgilerine kıyasla hata azaltma faktörü.

2025 sonları itibarıyla SAP, SAP-RPT-1'in SAP AI Foundation (SAP AI Core) içindeki üretken yapay zeka hub'ı aracılığıyla kullanıma sunulduğunu doğruladı.

Model, üretimde iki varyantla sunulur:

• SAP-RPT-1-small, düşük gecikme ve yüksek verimli tahminler için optimize edilmiştir,
• SAP-RPT-1-large, tahmin doğruluğunu önceliklendirmek üzere tasarlanmıştır.

Bu sürüm, SAP-RPT-1'in yalnızca araştırma amaçlı bir yetenek olmaktan çok SAP'nin kurumsal yapay zeka yığınında dağıtılabilir bir temel model rolünü resmileştirir.

Ayrıca SAP, kullanıcıların kendi veya SAP tarafından sağlanan örnek verilerle bağlam içi öğrenmeyi test edebileceği no-code, web tabanlı bir ortam olan SAP-RPT Playground'u sunar.

SAP-ABAP-1

SAP-ABAP-1, SAP müşterileri ve iş ortakları için yapay zeka tabanlı geliştirici üretkenliği kullanım senaryolarını desteklemek üzere tasarlanmış bir temel modeldir.

SAP'nin üretken yapay zeka hub'ı aracılığıyla kullanılabilir ve 250 milyondan fazla satır ABAP kodu, 30 milyon satır CDS kodu ve kapsamlı teknik dokümantasyon üzerinde eğitilmiştir. Model, ABAP kodunu anlamak ve açıklamak, en iyi uygulamaları ortaya çıkarmak ve güncel SAP geliştirme bilgisine erişim sağlamak için optimize edilmiştir.

SAP, üretken yapay zeka hub'ı üzerinden SAP-ABAP-1'e ücretsiz deneme erişimi sunuyor; 2026'da yayınlanması planlanan ek yeteneklerle birlikte.⁷

Kumo.AI’nın KumoRFM'i: tahmine dayalı analitik için ilişkisel grafik transformer

Stanford profesörü Jure Leskovec tarafından kurulan Kumo.AI, ilişkisel veritabanlarını ve veri ambarlarını analiz etmek için ilişkisel grafik transformer kullanan ilişkisel bir temel model olan KumoRFM'i oluşturdu. İlişkisel veriyi, her varlığın bir düğüm olduğu ve birincil ile yabancı anahtarların tablolar arasında kenarlar oluşturduğu zamansal, heterojen bir grafik olarak temsil eder.

Bu grafik tabanlı yaklaşım, KumoRFM'in aynı anda birden çok tablodan öğrenmesini ve yeni ilişkisel şemalara uyum sağlamasını mümkün kılar. Model, çeşitli veri kaynakları üzerinde önceden eğitilir ve her tahmine dayalı görev için ayrı modeller oluşturmadan yeni dataset'lere genelleme yapabilir.

KumoRFM, kullanıcı uzmanlığına bağlı olarak farklı arayüzler üzerinden kullanılabilir:

• PQL (Predictive Query Language): Yapılandırılmış veriler üzerinde tahmine dayalı sorguları tanımlamak için özel bir sorgu dili.
• Doğal dil arayüzü: Teknik olmayan kullanıcılar için doğal dil girdileri otomatik olarak PQL sorgularına çevrilir.
• Python SDK: Geliştiricilerin modeli kurumsal yapay zeka pipeline'larına ve uygulamalarına entegre etmesini sağlar.

KumoRFM mimarisi, bağlam alt grafları ve tahmin alt grafları oluşturmak için veritabanını dinamik olarak örnekler. Bu alt graflar, ilişkili varlıklar arasındaki bağımlılıkları ve zamansal bilgileri yakalayan ilişkisel grafik transformer tarafından işlenir. Bağlam içi öğrenme yoluyla model, doğru tahminler sağlar ve akıl yürütme sürecini açıklayabilir.

Kumo, kurumsal ortamlara uygun iki dağıtım seçeneği sunar:

• SaaS platformu: Kolay erişim ve ölçekleme için Apache Spark üzerine kurulu cloud tabanlı bir hizmet
• Veri ambarına yerel: Kuruluşların kendi verilerini güvenli ortamlarının dışına taşımadan Snowflake veya Databricks içinde kullanmalarına olanak tanır

Manuel şema tanımı gerektiren geleneksel bilgi graflarının aksine KumoRFM, ilişkisel grafiğini yapılandırılmış kaynaklardan otomatik olarak oluşturur. Bu, ilişkilerin, zamansal desenlerin ve gelişen bağlamın güvenilir tahminler için gerekli olduğu e-ticaret, finans ve sağlık hizmetleri için çok uygundur.

KumoRFM'in temel yetenekleri şunlardır:

• Farklı tablolar ve şema yapıları arasında esneklik.
• Çeşitli sütun türleri ve özel tanımlayıcılarla uyumluluk.
• Çıkarım zamanında belirli görevlere uyum sağlama.
• Tahmine dayalı görevlerde yüksek doğruluk ve yorumlanabilirlik.

Şekil 4: Resim, İlişkisel Temel Modellerin (RFM'ler) tahmin yapmak, açıklamalar sağlamak ve sonuçları değerlendirmek için e-ticaret, finans ve sağlık hizmetleri gibi birden çok alanda nasıl çalıştığını gösterir.⁸

Benchmark metodolojisi

Benchmark kurulumu ve ortamı

CPU'ya bağlı ağaçlar ile GPU hızlandırmalı modeller arasında adil karşılaştırmalar sağlamak için her ikisini de verimli bir şekilde işleyebilen yüksek performanslı bir ortam kullandık.

• Donanım: NVIDIA H200 140GB GPU içeren bir RunPod örneği.
• Yazılım: Tekrarlanabilirlik için sabitlenmiş kütüphanelerle Python 3.12:
  • scikit-learn 1.5.2, lightgbm 4.5.0, catboost 1.2.7
  • torch 2.5.1, pandas 2.2.3, numpy 2.1.3
  • sap-rpt-oss (Kaynak: Resmi GitHub)
• Tekrarlanabilirlik: Tüm bölünmeler, başlatmalar ve modellerde random_state=42 tutarlı olarak kullanıldı.

Dataset'ler: Semantik spektrum

Modelleri, OpenML ve Scikit-Learn'den alınan 17 denetimli öğrenme dataset'i üzerinde değerlendirdik. Rastgele seçim yerine, bu paketi "Semantik-Sayısal Spektrumu" kapsayacak şekilde derledik; böylece LLM'lerin özelliklerin ham istatistiklerden ziyade dilsel anlam içerdiği yerlerde üstün olduğu hipotezini test ettik.

Envanter:

• Küçük ve semantik (<1K satır):
  • wine (178), sonar (208), vote (435), cylinder_bands (540), breast_cancer (569).
• Orta/karma (1K – 10K satır):
  • credit_g (1K), titanic (1.3K), car_evaluation (1.7K), spambase (4.6K), compas (5.2K), employee_salaries (9.2K).
• Büyük/sayısal (10K+ satır):
  • california_housing (20K), house_sales (21K), default_credit (30K), adult_income (48K), diamonds (53K), higgs (100K olarak örneklenmiş).

Kapsanan görevler:

• 11 İkili Sınıflandırma görevi
• 2 Çok Sınıflı Sınıflandırma görevi
• 4 Regresyon görevi

Model yapılandırmaları ve ön işleme

Kapsamlı hiperparametre ayarı yerine güçlü varsayılanları kullanarak gerçekçi bir "uygulayıcı karşılaştırması" hedefledik.

LightGBM ve CatBoost

Hesaplama açısından ağır SAP modeline karşı adil bir karşılaştırma sağlamak için güçlü varsayılan tahmincileri artırdık.

• LightGBM: n_estimators=500, learning_rate=0.05, num_leaves=31. CPU üzerinde çalışır (n_jobs=-1).
• CatBoost: iterations=500, learning_rate=0.05, depth=6. GPU üzerinde çalışır (task_type=”GPU”).
• Ön işleme: Kategorikler için basit Etiket Kodlama; sayısallar için ölçekleme yok; eksik değerler için medyan/mod atama.

SAP-RPT-1-OSS

Ön yapılandırma deneylerimize dayanarak SAP'yi performans ve maliyeti dengeleyecek şekilde yapılandırdık.

• Yapılandırma: max_context_size=4096, bagging=4.
• Not:
  • Bağlam: adult_income üzerinde yapılan test, bağlamı 4096'dan 8192'ye çıkarmanın, ihmal edilebilir doğruluk kazancı (0.917 vs 0.917 ROC-AUC) karşılığında çalışma süresini üç katına çıkardığını gösterdi (4 dakikadan 12 dakikaya).
  • Bagging: Bagging 4'ten 8'e çıkarıldığında (makalede kullanılan SAP'nin varsayılan ayarı⁹) azalan getiriler sundu.
• Ön işleme: Yok. Ham pandas DataFrame doğrudan iletilir. Model, metin embedding'leri (sentence-transformers/all-MiniLM-L6-v2) kullanarak kodlar.

Değerlendirme protokolü

Çapraz doğrulama stratejisi

Karıştırmalı 3 Katlı Çapraz Doğrulama kullandık.

• Standart 5 katlıyı, SAP'nin yavaş çıkarım sürelerine uyum sağlamak için (%40 zaman tasarrufu) istatistiksel geçerliliği korurken 3 katlıya indirdik.
• Bölme: Sınıflandırma için StratifiedKFold; regresyon için Standart K-Fold.

Metrikler ve teşhisler

Model performansının bütünsel bir görünümünü yakalamak için basit doğruluğun ötesine geçtik:

• Birincil sıralama metrikleri: ROC-AUC (İkili), Dengeli Doğruluk (Çok Sınıflı), R² (Regresyon).
• İkincil teşhisler: Kazanımların sınıf dengesizliğinin bir eseri olmadığından emin olmak için Matthews korelasyon katsayısını (MCC) ve log loss değerini; regresyon hata kalibrasyonu için MAPE'yi izledik.
• Maliyet hesaplama: RunPod H200 örneğindeki toplam duvar saati süresine (ön işleme + eğitim + çıkarım) dayanır ($3,59/saat).

İstatistiksel anlamlılık

Performans farklarının istatistiksel olarak anlamlı mı yoksa rastgele gürültü mü olduğunu belirlemek için ikili model karşılaştırmalarına Wilcoxon işaretli sıra testi (p<0.05) uyguladık.

Sınırlamalar ve iç geçerlilik

Metodolojimizdeki aşağıdaki kısıtları açıkça kabul ediyoruz:

1. Standartlaştırılmış yapılandırmalar ve ayar karşılaştırması: Kapsamlı hiperparametre optimizasyonu (ör. iç içe CV veya Optuna taramaları) yapmak yerine tüm modeller için sabit, güçlü varsayılan yapılandırmalar kullandık. Bu tutarlı bir taban çizgisi sağlarken, ağaç modellerinin dataset'e özgü ayarlamalarla sıklıkla performans kazandığını ve bunun "Rekabetçi" kümedeki farkları daraltabileceğini belirtmekte fayda vardır.
2. Veri ölçeği sınırları: Analizimiz, tipik orta ölçekli kurumsal senaryoları simüle etmek için 100k satırın altındaki dataset'lere odaklandı. Veri hacmi büyüdükçe LLM'nin avantajının azaldığını gözlemledik, ancak çıkarım gecikmesi ve maliyetin muhtemelen birincil kısıtlar haline geleceği milyon satırlık ölçeklere testleri genişletmedik.
3. Altyapı tekdüzeliği: Tutarlı bir test ortamı sağlamak için tüm modelleri aynı NVIDIA H200 donanımında çalıştırdık. LightGBM ve CatBoost, sıradan CPU'lar için yüksek düzeyde optimize edilmiştir; bu nedenle yalnızca ağaç modellerine ayrılmış bir üretim ortamında maliyet farkı muhtemelen daha geniş olacaktır.
4. Semantik ötesine genelleme: "Semantik Spektrum" hipotezimiz birçok sonucu başarıyla öngördü, ancak LLM'nin sonar ve california_housing gibi soyut dataset'lerdeki güçlü performansı dilsel anlayışın ötesinde yeteneklere işaret ediyor. Bu, modelin aynı zamanda yüksek boyutlu düzenlileştirme desenlerinden yararlanabileceğini gösterir; bu olgu, bu ilk çalışmanın kapsamı dışında daha fazla araştırmayı hak ediyor.

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{ermut2026,
  author = {Ermut, Sıla and Sarı, Ekrem},
  title  = {{İlişkisel Temel Modelleri Karşılaştırın}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/relational-foundation-model}},
  note   = {AIMultiple. Erişim tarihi: 15 Eylül 2026}
}

Değişiklik günlüğü

2 güncelleme

2026

1. 4 Şub

   Vaka çalışmaları bölümüne SAP HANA Cloud eklendi.

2. 21 Oca

   “İlişkisel ve yapılandırılmış veriler için temel modeller” bölümü kaldırıldı.

Referans Linkleri

1.

Griffin: Towards a Graph-Centric Relational Database Foundation Model

2.

RELATIONAL TRANSFORMER: TOWARD ZERO-SHOT FOUNDATION MODELS FOR RELATIONAL DATA

3.

RELBENCH: A Benchmark for Deep Learning on Relational Databases

4.

GitHub - stanford-star/relbench: RelBench: Relational Deep Learning Benchmark · GitHub

5.

Relational Programming with Foundation Models

6.

SAP HANA Cloud

7.

SAP Business AI: Release Highlights Q4 2025 | SAP News Center

SAP

8.

Kumo.AI trains foundation model for relational databases

blocksandfiles

9.

[2506.10707] ConTextTab: A Semantics-Aware Tabular In-Context Learner

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'lerini, yapay zeka altyapısını, yapay zeka yönetişimini ve kurumsal yapay zeka uygulamalarını ele alan bir sektör analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır.
Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. Sıla, Sosyal Psikoloji alanında yüksek lisans derecesine ve Uluslararası İlişkiler alanında lisans derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Ekrem Sarı

Yapay Zeka Araştırmacısı

Takip Et

Ekrem, AIMultiple'da Yapay Zeka Araştırmacısı ve Veri Bilimcidir. Yapay zeka ve LLM sistemleri için uygulamalı benchmark'lar tasarlar ve yürütür.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder