Predictive Query Language
使用 PQL 定义预测任务，这是一种类似 SQL 的语法，用于指定预测的目标和数据上下文。
什么是 Kumo.ai？
Kumo.ai 是面向关系型数据的预测型 AI 平台。其核心产品 KumoRFM 被描述为一种关系型基础模型，可直接基于数据仓库数据生成预测，无需人工特征工程或传统的 ML 流水线。
用户通过 Predictive Query Language（PQL）定义预测任务，这是一种类似 SQL 的界面，然后即可获取诸如流失、欺诈、需求、排序或推荐等预测结果。该平台面向希望快速开展预测工作流的团队，并支持按任务进行微调以提升特定性能。
Kumo.ai 能做什么？
仓库原生工作流
从已连接的数据仓库开始，无需传统的特征工程或管道流程即可生成预测。
即时预测与微调
使用 KumoRFM 进行即时预测；当任务需要更多优化时，可进行微调。
自动化 ML 管道步骤
让系统自动完成主要的 ML 步骤，例如特征准备、标签工程、训练数据集创建、模型优化和 MLOps。
AI 辅助编写
使用编码代理将自然语言转换为 PQL，并支持在笔记本或 IDE 中基于 SDK 的工作流。
托管式 SaaS 架构
依赖一种将面向用户的预测查询界面与底层缓存、元数据和处理层分离的架构。
使用场景
“关系型预测任务”
通过编写预测查询，而不是组装传统训练流水线，来构建流失、欺诈、需求或排序问题的模型。
“风险与欺诈检测”
将平台用于交易欺诈、账户接管、欺诈团伙检测、拒付预测以及类似的风险导向工作负载。
“客户增长与个性化”
将 Kumo 用于线索评分、客户终身价值、召回挽回、交叉销售和产品推荐工作流。
“预测与运营”
支持需求预测、库存规划、预算分配和供应链决策等规划与运营场景。
“开发者与数据科学工作流”
使用编码代理和 SDK 工作流，在笔记本或 IDE 中将自然语言问题转为 PQL。
常见问题
Kumo 的建模是如何工作的？
Kumo 使用 Predictive Query Language（PQL），一种类似 SQL 的界面，用于定义预测任务。文档说明，该平台可根据该查询自动完成特征工程、训练表生成和模型训练。
Kumo 是否需要将数据迁移到单独的系统中？
主页将 Kumo 描述为可直接连接到你的数据仓库，而安全文档则说明用户通过预测查询界面访问平台，同时数据仍保留在客户的数据存储中。
Kumo 适用于哪些类型的用例？
源材料将 Kumo 描述为适用于欺诈检测、流失预测、需求预测、线索评分、推荐以及其他基于关系型数据的预测问题。
团队可以针对特定问题定制 Kumo 吗？
主页说明 Kumo 可针对特定用例进行微调，概述则指出它支持即时上下文预测以及面向特定任务的优化。
网站上公布了价格吗？
主页包含一个定价链接，但当前定价页面返回 404，且收集到的来源中没有可用的定价细节。
快速信息
- 类别
- 预测型 AI 平台
- 主要界面
- Predictive Query Language（PQL）
- 核心模型
- KumoRFM 关系型基础模型
- 主要用户
- 数据科学家、ML 工程师和业务负责人
- 定价
- 未在收集到的来源中公布
- 网站
- kumo.ai
Kumo.ai 流量分析
流量数据仅供参考。
- 域名评分
- 59
