Fundamental 大型表格模型 NEXUS 现已上线 Amazon SageMaker JumpStart

今天，我们宣布在 Amazon SageMaker AI 上支持 Fundamental 的 NEXUS 模型。借助此次发布，您可以部署一个专为表格数据预测构建的基础模型（FM）。该模型能帮助您的企业从结构化数据中生成准确、确定性的预测，时间从数月缩短至数天。在本文中，我们将展示如何在 Amazon SageMaker JumpStart 上开始使用 NEXUS，逐步介绍部署过程，并演示如何针对您的企业数据集运行预测。

什么是 NEXUS？

NEXUS 是由 Fundamental 开发、专为表格数据预测构建的基础模型。大型语言模型（LLM）是为文本设计的，而传统机器学习（ML）方法需要大量的特征工程和模型训练。NEXUS 采用了不同的方法。它在数十亿个跨结构化数据集的真实世界预测任务上进行了预训练，因此它已经知道如何在您的数据中寻找信号。

作为一个大型表格模型（Large Tabular Model），NEXUS 专为结构化数据分析而构建，并提供以下关键创新：

• 确定性架构 – 概率性 LLM 可能对相同查询给出不同答案。NEXUS 为每个单独的预测生成一致、可重现的结果。
• 原生表格理解 – NEXUS 在数十亿张表格上训练，原生处理数字、类别、日期和非结构化文本，无需手动特征工程。
• 非序列推理 – 大多数 AI 模型预测序列数据（例如，下一个词或下一个像素）。NEXUS 分析企业表格中的多维关系。例如，在预测客户流失时，NEXUS 理解多个因素（交易频率、支持工单和经济指标）如何影响流失的可能性。

为什么现有方法存在不足

最有价值的企业数据存在于表格中，例如电子表格、企业资源规划（ERP）系统、客户关系管理（CRM）系统和关系数据库。许多关键业务决策依赖于对这些数据的预测。然而，当今的工具存在显著局限性：

• 传统 ML 需要数据科学团队花费 3-6 个月为单个用例构建、训练和部署模型。您始终面临预测质量与数量之间的权衡。
• LLM 是非确定性的，会在相同数据集上产生不同答案。它们在 tokenization（分词）过程中丢失数值上下文，导致结构化数据上的结果不准确，并且需要复杂的防护措施来缓解这些问题。

NEXUS 专为表格数据设计，并提供以下优势：

• 排列不变性 – 识别到改变列顺序不会改变含义，这与 Transformer 处理数据的方式不同。
• 十亿行处理能力 – 无需截断或采样即可处理海量数据集。
• 跨模式推理 – 自动连接不同表格中的相关数据。
• 自主数据清洗 – 解决不完整条目（例如，即使条目缺失，NEXUS 仍能进行预测）。

NEXUS 在 Amazon SageMaker AI 上的工作原理

下图说明了在 SageMaker AI 上使用 NEXUS 部署和运行预测的端到端流程。NEXUS 在 SageMaker AI 托管环境内的专用、单租户、网络隔离 GPU 实例上运行。工作流程包括以下步骤：

1. 订阅并部署 – 在 AWS Marketplace 上订阅 NEXUS 模型包，然后将其作为 SageMaker AI 托管的推理端点部署在 ml.p5en.48xlarge 实例（8× NVIDIA H200 GPU）上。
2. 安装 SDK – 安装 Fundamental Python SDK 并将其连接到您的 SageMaker 端点。该 SDK 提供了熟悉的 scikit-learn 兼容 API，包含 NEXUSClassifier 和 NEXUSRegressor 估计器。
3. 将数据上传到 Amazon S3 – SDK 序列化您的表格数据并将其上传到您账户中的 Amazon Simple Storage Service（Amazon S3）存储桶。
4. 训练模型 – 调用 clf.fit(X_train, y_train) 进行训练。NEXUS 自动处理数据清理和特征工程，无需手动管道。
5. 生成预测 – 调用 clf.predict(X_test) 进行确定性预测，或调用 clf.predict_proba(X_test) 进行概率估计。结果将存回您的 Amazon S3 存储桶。

在此过程中，您的数据始终保留在您的 AWS 环境中。端点是网络隔离且单租户的，这使得 NEXUS 适用于处理敏感数据的企业工作负载。

在 Amazon SageMaker AI 上开始使用 NEXUS

要开始使用，请导航到 Amazon SageMaker JumpStart，搜索 Fundamental NEXUS，然后从以下选项中选择：

• 基础模型（在超过 100 亿行表格数据上预训练）。
• 行业特定变体（金融、医疗保健和制造业）。

正在变革行业的企业用例

表格数据是企业决策的支柱，从财务分类账到患者记录再到供应链日志。NEXUS 专为此类数据构建，帮助您从原始结构化数据直接进入生产级预测，无需大量特征工程或模型训练。以下是 NEXUS 可以创造价值的一些代表性用例。

金融服务

• 欺诈检测 – 分析数百万账户中的交易模式。
• 信用风险建模 – 通过自动特征提取处理贷款组合。
• 监管合规 – 从非结构化监管文件中提取结构化数据。

医疗保健

• 临床试验匹配 – 跨电子健康记录（EHR）系统识别符合条件的患者。
• 药物发现 – 分析生物测定数据以进行化合物筛选。
• 患者风险分层 – 使用重症监护室（ICU）时间序列数据预测再入院风险。

制造业与供应链

• 预测性维护 – 根据传感器数据预测设备故障。
• 需求预测 – 预测全球分销网络的库存需求。
• 供应商风险分析 – 使用采购历史评估供应商可靠性。

零售与电子商务

• 流失预测 – 利用购买历史和浏览行为识别有风险的客户。
• 动态定价 – 基于竞争对手数据和库存水平优化价格。
• 购物车放弃分析 – 帮助您了解客户为何将商品留在在线购物车中。

为什么选择 Amazon SageMaker AI 上的 NEXUS

部署模型只是成功的一半。运行模型的基础设施决定了您从实验到生产的速度。SageMaker AI 为在企业规模上运行 NEXUS 提供了托管、安全且可扩展的环境。NEXUS 和 AWS 共同减少了无差别的繁重工作，使您的数据科学家能够专注于业务成果，而不是基础设施管理。

• 加速实现价值 – 预构建的容器和脚本减少了部署时间。
• 成本效益 – SageMaker AI 的托管基础设施降低了运营开销。
• 可扩展性 – 自动扩展到 PB 级数据集。
• 合规就绪 – 默认满足 GDPR、HIPAA 和 SOC 2 要求。
• 持续学习 – 与 Amazon SageMaker Pipelines 原生集成，用于模型再训练。
• 多路复用支持 – 支持在单个 SageMaker AI 端点上执行多个 fit 和 predict 操作，无需为每个用例分配专用资源。

战略性的 AWS 合作伙伴关系

Fundamental 已与 AWS 建立战略合作伙伴关系，以加速企业采用：

• 原生集成 – 直接从 AWS Marketplace 部署 NEXUS。
• 安全基础设施 – 在 AWS 安全、合规的云环境中运行。
• 企业支持 – 专门的 AWS 解决方案架构师提供实施指导。

后续步骤

准备好改变您的数据驱动决策了吗？联系 Fundamental 团队了解更多信息。在 Amazon SageMaker AI 上的 JupyterLab 空间中尝试托管示例笔记本。

结论

在本文中，我们展示了 Amazon SageMaker AI 上的 NEXUS 模型支持如何帮助您从结构化数据资产中解锁新的洞察。无论您是预测设备故障、优化供应链还是检测金融欺诈，NEXUS 都能为您的企业预测工作负载提供确定性、可扩展的能力。

要了解更多信息，请参阅以下资源：

• Fundamental NEXUS 文档
• Amazon SageMaker AI 开发人员指南

关于作者

Vivek Gangasani Vivek 是 SageMaker Inference 解决方案架构的全球负责人。他领导 SageMaker Inference 的解决方案架构、技术上市（GTM）和对外产品策略。他还帮助企业及初创公司使用 SageMaker 和 GPU 部署和优化生成式 AI 模型，并构建 AI 工作流。目前，他专注于制定优化推理性能的策略和内容，以及代理工作流、RAG 等用例。

Hazim Qudah Hazim 是 Amazon Web Services 的 AI/ML 专家解决方案架构师。他乐于帮助客户使用 AWS 技术和最佳实践构建和采用 AI/ML 解决方案。在加入 AWS 之前，他曾在多个行业和地区的客户中从事多年技术咨询工作。业余时间，他喜欢跑步和与他的狗玩耍！

Jimmy Shah Jimmy 是 AWS 的 SageMaker AI 首席专家。他是领导 SageMaker AI 对外产品管理和技术上市（GTM）策略的团队成员，专注于金融服务领域。目前，他专注于制定 SLM 微调和部署、代理式 AI 以及推理优化用例的策略和内容。