Databricks ha pubblicato una guida tecnica dedicata all’esecuzione dei Tabular Foundation Models (TFM) attraverso la propria infrastruttura AI Runtime, accompagnata da un repository pubblico contenente notebook, strumenti di valutazione e procedure per sperimentare differenti architetture di apprendimento automatico sui dati strutturati. Il progetto prende in considerazione cinque famiglie di modelli, TabPFN, TabFM, TabICL, Nori e KumoTabular, con l’obiettivo di semplificare lo sviluppo di sistemi predittivi applicati a tabelle aziendali, database transazionali e dataset utilizzati per la valutazione del rischio di credito, l’analisi dell’abbandono dei clienti, le previsioni della domanda e la manutenzione predittiva. A differenza degli approcci tradizionali, nei quali ogni problema richiede normalmente la preparazione di un dataset, l’addestramento di un modello dedicato e successive procedure di aggiornamento, i modelli fondazionali tabulari vengono preaddestrati su milioni di dataset sintetici differenti, acquisendo rappresentazioni statistiche riutilizzabili per attività successive. Durante l’inferenza zero-shot, le righe già etichettate vengono fornite al modello come contesto insieme ai nuovi record da classificare o analizzare. Il sistema utilizza i meccanismi di attenzione dei transformer per riconoscere le relazioni tra le osservazioni ed elaborare le previsioni attraverso un unico passaggio computazionale, senza richiedere necessariamente la modifica dei parametri. Rimane comunque disponibile la possibilità di effettuare il fine-tuning utilizzando dati proprietari.
Le architetture presentano differenze rilevanti nel trattamento delle caratteristiche numeriche, categoriche e booleane, convertite mediante tokenizer specializzati in rappresentazioni utilizzabili dai transformer. TabPFNv2 impiega meccanismi di attenzione alternati tra righe e colonne, capaci di identificare interazioni tra variabili e osservazioni, ma caratterizzati da un costo computazionale crescente all’aumentare della dimensionalità e del numero di campioni. TabICL adotta invece una strategia che genera rappresentazioni delle righe a dimensionalità fissa attraverso successive operazioni di attenzione sulle colonne e sulle righe, prima dell’apprendimento contestuale a livello di dataset. Secondo i risultati sperimentali presentati dai ricercatori, questa architettura può gestire fino a 500.000 campioni e 500 caratteristiche, raggiungendo prestazioni di classificazione confrontabili con TabPFNv2 e velocità di esecuzione fino a dieci volte superiori. Nei test condotti su 53 dataset contenenti più di 10.000 campioni, TabICL ha inoltre superato sia TabPFNv2 sia CatBoost. La valutazione riguarda tuttavia una versione destinata alla classificazione e non include necessariamente i miglioramenti ottenibili con ensemble di modelli sottoposti a validazione incrociata. L’utilizzo del contesto comporta inoltre requisiti di memoria significativi, poiché le osservazioni di riferimento devono essere rese disponibili durante l’inferenza. Databricks evidenzia quindi la necessità di confrontare accuratezza, latenza, consumo di memoria e costo computazionale sui dati effettivamente utilizzati dalle organizzazioni, considerando che una previsione eseguita su GPU può risultare più costosa rispetto all’inferenza di modelli tradizionali come XGBoost su CPU.
Il repository mette a disposizione un ambiente comune per valutare i modelli attraverso dataset sintetici riferiti al commercio al dettaglio e ai beni di largo consumo, mantenendo identiche suddivisioni tra dati di addestramento e test e registrando risultati confrontabili con baseline realizzate mediante scikit-learn. Gli esempi comprendono classificazione, regressione, rilevamento delle anomalie e previsioni temporali basate su variabili ritardate, nei limiti delle funzionalità supportate dai singoli modelli. TabFM, TabICL, Nori e KumoTabular possono essere eseguiti anche su risorse CPU serverless, sebbene siano consigliate GPU per ottenere prestazioni adeguate, mentre l’esempio TabPFN utilizza un’API ospitata esternamente. AI Runtime, introdotto in anteprima pubblica nel marzo 2026, mette a disposizione GPU NVIDIA H100 on demand, addestramento distribuito, notebook, Lakeflow Jobs, monitoraggio degli esperimenti tramite MLflow, osservabilità dell’utilizzo delle GPU, supporto Docker e accesso SSH attraverso la CLI Databricks. Secondo la società, l’infrastruttura può supportare esecuzioni TabPFN-3 fino a un milione di righe e 200 caratteristiche. Un esempio di fine-tuning di KumoTabular mostra inoltre come registrare metriche e consumi GPU in MLflow e pubblicare il modello risultante in Unity Catalog, dal quale può essere distribuito attraverso elaborazioni batch oppure endpoint REST autoscalabili mediante Model Serving. La guida distingue infine le condizioni di licenza: TabICLv2 utilizza BSD 3-Clause, Mitra v2 Apache 2.0 e KumoTabular OpenMDW-1.1, mentre i pesi di TabFM e TabPFNv3.5 risultano limitati all’impiego non commerciale, salvo specifici accordi. Per TabPFN viene inoltre distinta l’API commerciale ospitata dai pesi distribuiti per utilizzi non commerciali.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
