En el mundo del análisis de datos, entrenar modelos suele ser la parte más costosa y técnica del proceso. Pero NVIDIA acaba de cambiar las reglas del juego con Structured Data Models, una biblioteca que permite hacer predicciones sobre datos tabulares sin un solo paso de entrenamiento. Como especialista en herramientas de código abierto, analicé esta tecnología que promete democratizar el machine learning para equipos que no tienen meses para desarrollar modelos.
El secreto: aprendizaje en contexto
La magia de esta biblioteca reside en el aprendizaje en contexto (in-context learning). En lugar de ajustar parámetros durante horas de entrenamiento, los modelos preentrenados de NVIDIA analizan filas etiquetadas que les proporcionamos y luego predicen sobre filas nuevas en una sola pasada. La biblioteca incluye tres modelos principales: TabICLv2 y KumoTabular para tablas individuales, y KumoRelational para bases de datos relacionales completas.
En pruebas comparativas con datasets médicos reales, los resultados son sorprendentes. En el dataset de cáncer de mama, con 300 filas etiquetadas y 269 para predecir, TabICLv2 y KumoTabular alcanzaron una precisión del 97% y AUCs de 0.996 y 0.995 respectivamente, sin entrenamiento alguno. Para ponerlo en perspectiva, una regresión logística entrenada con las mismas 300 filas logró 0.970 de precisión y 0.993 de AUC, mientras que gradient boosting alcanzó 0.967 y 0.992.
Trampas ocultas y soluciones prácticas
Como toda herramienta poderosa, Structured Data Models viene con sus particularidades. Durante mi análisis encontré varios puntos críticos que los usuarios deben conocer:
- Detección automática limitada: Por defecto, el sistema clasifica texto libre como categórico con cientos de niveles e IDs como números, lo que distorsiona las predicciones
- Receta preprocesamiento incompleta: La configuración predeterminada ignora columnas de timestamp y texto, reduciendo significativamente la precisión en ciertos casos
- Explicador engañoso: GradientExplainer puede devolver resultados incorrectos si no se configura adecuadamente
- Problemas de instalación: La URL de pyg-lib en los mensajes de error apunta a una página vacía
La buena noticia es que cada uno de estos problemas tiene solución en una línea de código. Por ejemplo, añadiendo procesadores específicos para timestamp y texto, la precisión en tickets de soporte subió del 52.5% al 78.9% de AUC.
Modelos relacionales: la verdadera revolución
Donde esta tecnología realmente brilla es en el análisis de bases de datos relacionales completas. KumoRelacional puede analizar múltiples tablas conectadas por claves foráneas sin necesidad de ingeniería de características manual. En una prueba con una base de datos simulada de comercio electrónico (800 clientes, 60 productos, un año de órdenes), el modelo relacional alcanzó un AUC de 0.823 analizando solo las tablas crudas, prácticamente igual que un pipeline manual con seis características ingenierizadas (0.828).
Pero aquí hay una trampa crucial: si no se declaran explícitamente las columnas de tiempo, el modelo puede “hacer trampa” accediendo a datos futuros, inflando artificialmente su precisión. En nuestro test, sin declarar la columna temporal, el AUC subió a 0.940 porque el modelo estaba leyendo la respuesta en lugar de predecirla.
Flujo de trabajo optimizado
Para equipos que necesitan hacer múltiples predicciones con el mismo contexto, la biblioteca ofrece un sistema de caché inteligente. El método fit codifica el contexto una sola vez en cachés de clave y valor, mientras que predict ejecuta solo las filas de consulta. En nuestras pruebas con CPU, responder cinco lotes de 30 filas contra 400 filas de contexto fue varias veces más rápido usando este sistema.
Para regresión, el modelo no devuelve un solo número sino 999 cuantiles por fila de consulta, una distribución predictiva completa que se lee en una sola pasada. En el dataset de diabetes, el intervalo entre los percentiles 10 y 90 contuvo el 81% de los objetivos reales, muy cerca del 80% nominal esperado.
Limitaciones y consideraciones prácticas
Aunque la biblioteca maneja problemas con muchas clases mediante códigos de corrección de errores (splitting el problema en subproblemas más pequeños), tiene límites prácticos. Los modelos Google que también envuelve, TabFM y TimesFM 3, son grandes y no comerciales, por lo que fueron excluidos de esta implementación.
El mayor aprendizaje de este análisis es claro: siempre hay que verificar qué datos llegan al modelo antes de confiar en lo que sale de él. Las configuraciones predeterminadas merecen más escrutinio que los modelos mismos, pero una vez ajustadas, Structured Data Models ofrece una potencia predictiva sin precedentes en el análisis de datos estructurados.