Predictive Query Language
使用 PQL 定義預測任務，這是一種類 SQL 語法，可指定預測的目標與資料脈絡。
什麼是 Kumo.ai？
Kumo.ai 是一個用於關聯式資料的預測型 AI 平台。其核心產品 KumoRFM 被描述為關聯式基礎模型，可直接根據資料倉儲資料產生預測，而不需要手動特徵工程或傳統 ML 管線。
使用者透過 Predictive Query Language（PQL）這種類 SQL 介面來定義預測任務，接著可要求輸出例如流失、詐騙、需求、排序或推薦等預測。此平台定位於希望快速建立預測工作流程、並可選擇針對任務進行微調以提升效能的團隊。
Kumo.ai 能做什麼？
以資料倉儲為原生的工作流程
從已連接的資料倉儲開始，無需傳統的特徵工程或管線流程即可產生預測。
即時預測與微調
使用 KumoRFM 取得即時預測，並可在任務需要更多最佳化時進行微調。
自動化 ML 管線步驟
讓系統自動化主要的 ML 步驟，例如特徵準備、標籤工程、訓練資料集建立、模型最佳化與 MLOps。
AI 輔助撰寫
使用程式碼代理將自然語言轉換為 PQL，並支援在 notebook 或 IDE 中以 SDK 為基礎的工作流程。
代管式 SaaS 架構
採用將面向使用者的預測查詢介面與底層快取、後設資料與處理層分離的架構。
使用情境
“關聯式預測任務”
透過撰寫預測查詢，而不是組裝傳統訓練管線，來建立流失、詐騙、需求或排序問題的模型。
“風險與詐騙偵測”
將平台用於交易詐騙、帳戶盜用、詐騙集團偵測、拒付預測，以及類似的風險導向工作負載。
“客戶成長與個人化”
將 Kumo 應用於潛在客戶評分、客戶終身價值、挽回目標、交叉銷售與產品推薦工作流程。
“預測與營運”
支援需求預測、庫存規劃、預算配置與供應鏈決策等規劃與營運情境。
“開發者與資料科學工作流程”
使用程式碼代理與 SDK 工作流程，將自然語言問題在 notebook 或 IDE 中轉換為 PQL。
常見問題
Kumo 的建模方式是如何運作的？
Kumo 使用 Predictive Query Language（PQL），一種類 SQL 介面，來定義預測任務。文件指出，平台可以根據該查詢自動化特徵工程、訓練表生成與模型訓練。
Kumo 是否需要將資料移到另一個系統？
首頁說明 Kumo 可直接連接到您的資料倉儲，而安全性文件指出，使用者透過預測查詢介面存取平台，同時資料仍保留在客戶資料儲存區中。
Kumo 是為哪些使用案例而設計的？
來源資料顯示，Kumo 適用於詐騙偵測、流失預測、需求預測、潛在客戶評分、推薦，以及其他基於關聯式資料的預測問題。
團隊可以針對特定問題自訂 Kumo 嗎？
首頁指出 Kumo 可針對特定使用案例進行微調，且概述表示它同時支援即時的情境內預測與針對任務的最佳化。
網站上有公布定價嗎？
首頁包含定價連結，但目前定價頁面為 404，且在已收集的來源中沒有可用的定價細節。
快速資訊
- 類別
- 預測型 AI 平台
- 主要介面
- Predictive Query Language (PQL)
- 核心模型
- KumoRFM 關聯式基礎模型
- 主要使用者
- 資料科學家、ML 工程師與商務主管
- 定價
- 未在已收集來源中公布
- 網站
- kumo.ai
Kumo.ai 流量分析
流量數據僅供參考。
- 網域評分
- 59