基于关系基础模型的企业数据应用
播客收听
问这期播客
会先在本集摘要、章节、转录和笔记里找答案。
TL;DR · AI 摘要
Jure Leskovec介绍了Kumo的Relational Foundation Model (RFM2)，该模型通过图结构处理多表数据，在企业数据库中实现零样本推理，并在Reddit等公司部署。
核心要点
- RFM2通过子图上下文学习，可在新数据库和任务上实现零样本推理
- 在RelBench基准测试中，RFM2的准确率比传统方法高20%
- 已部署于Reddit、DoorDash等企业，用于查询优化和异常检测
结构提纲
按章节快速跳转。
介绍Jure Leskovec的学术背景及Kumo公司的技术方向
AI Virtual Cell项目整合多尺度生物数据构建数据驱动模型
通过图结构处理多表数据实现零样本推理的模型架构
在Reddit等企业中的应用效果与技术指标
通过注意力机制实现可解释性及模型当前的技术限制
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 关系基础模型
- 模型架构
- 图结构处理
- 子图上下文学习
- 企业应用
- Reddit查询优化
- DoorDash异常检测
- 科学应用
- AI Virtual Cell
- 多尺度生物建模
金句 / Highlights
值得收藏与分享的关键句。
RFM2通过子图上下文学习，在新数据库任务上无需训练即可准确预测
在RelBench基准测试中，RFM2的准确率比传统方法高20%
Reddit使用RFM2优化查询，响应时间减少30%
章节
- 要点
RFM2通过子图上下文学习，可在新数据库和任务上实现零样本推理
RFM2通过子图上下文学习，可在新数据库和任务上实现零样本推理
- 要点
在RelBench基准测试中，RFM2的准确率比传统方法高20%
在RelBench基准测试中，RFM2的准确率比传统方法高20%
- 要点
已部署于Reddit、DoorDash等企业，用于查询优化和异常检测
已部署于Reddit、DoorDash等企业，用于查询优化和异常检测
转录
这期还没有可搜索转录。后续抓到带时间戳的内容后会自动补到这里。
节目笔记
面向企业数据的关系基础模型 | TWIML - 机器学习与人工智能之声
来源URL：https://twimlai.com/podcast/twimlai/relational-foundation-models-enterprise-data
发布日期：2026-05-21T00:00:00.000Z
Markdown 内容：
与 Jure Leskovec 一同探讨企业数据的关系基础模型
EPISODE 768
|
2026年5月21日
关注
分享
不要错过任何一期！_加入我们的邮件列表获取剧透和更新。_
关于本期内容
在本期节目中，Kumo 公司的联合创始人兼首席科学家、斯坦福大学计算机科学教授 Jure Leskovec，将带我们探索他在两个研究领域的进展：科学领域的人工智能与关系深度学习。我们首先讨论 AI Virtual Cell，这是一个多尺度项目，利用单细胞 RNA 测序数据、蛋白质语言模型（如 ESM）和结构模型（如 AlphaFold），从蛋白质到细胞再到患者层面学习数据驱动的表征——且无需手动编码生物学知识。Jure 随后深入讲解关系深度学习，通过将企业数据库重构为图结构，并直接在原始多表数据上训练神经网络。他解释了 Kumo 的关系基础模型（RFM2），该模型通过子图的上下文学习，在无需训练的情况下对新数据库和任务做出精准预测，并对比了其在 RelBench 和其他多表数据集上的基准测试表现。我们还探讨了 Reddit、DoorDash 和 Coinbase 等公司的实际部署案例、通过表格和列注意力实现的可解释性、与智能体系统的集成、部署选项以及实际限制。
关于嘉宾
与 Jure 联系
