AI 日報｜NVIDIA Kumo Tabular 發佈：表格數據也能用 foundation model 做預測

企業的訂單、庫存和客戶活動，大部分都存在表格中。NVIDIA 於 9 月 29 日發佈 Kumo Tabular，把 foundation model 的思路帶到這類結構化數據，讓表格預測多了一個值得評估的選項。

Kumo Tabular 能處理什麼？

根據 NVIDIA 原始介紹，模型以已有標籤的資料列作背景，為新資料列輸出分類機率或數值預測，支援 classification 和 regression。官方描述其使用方式不需要為每個新任務另外訓練模型，並提供開放模型權重與程式庫。

這裏的「不需要訓練」仍然需要正確的輸入資料和驗證。模型不能替企業補回不存在的成交紀錄，也不能只憑一張資料混亂的表格，可靠地判斷哪些客戶會流失。

DEPTAI 建議： 若公司已有完整訂單及實際交付紀錄，可以先測試「預測交付是否延誤」。每筆歷史訂單的標籤，必須按一致定義建立，例如以雙方已確認的交貨日期作比較。

輸入只保留作出預測時已知道的資料：貨品類別、訂購數量、供應商及預計交付方式。實際收貨日期、事後投訴或最終運輸狀態，不能混入當時的輸入，否則測試會出現資料洩漏，看似準確卻無法用於新訂單。

先用較早期訂單作參考，再以較近期訂單測試，避免把同一批紀錄隨意拆開後誤判成效。同時建立簡單比較方法，例如按供應商的歷史延誤比例排序。

如果模型只是比現有方法多找出幾筆風險，但誤報增加很多，採購同事可能要花更多時間追問。評估應同時記錄找出的延誤、錯誤警報，以及每項警報是否有可採取的跟進動作。

第一階段的輸出可以是「建議提早確認」清單，由同事決定聯絡誰。不要立即讓預測結果自動取消採購、改變客戶條款或作出其他重要決定。若供應商和貨品組合有明顯改變，也要重新測試。

Kumo Tabular 提醒我們，企業 AI 不只處理文字。當公司已累積一致、可追溯的業務紀錄，表格模型值得加入比較；若紀錄本身未整理好，先改善數據定義會更有價值。

想知道現有表格適合哪些分析，可透過 DEPTAI 服務先梳理資料和工作問題，再選工具。