表形式データ予測の基盤モデルNEXUS、SageMakerで提供開始

モデル米国メガテック SageMaker JumpStart 06/04 05:04

AI TREND

Fundamental社とAWS：NEXUSが提供開始

Fundamental社の表形式データ予測専用基盤モデル「NEXUS」が、AWSのAmazon SageMaker JumpStartで利用可能になった。スプレッドシートや基幹業務システムなどの構造化データから、再現性のある予測を生成できる。

3 の要点を3分で

Fundamental社の表形式データ予測専用の基盤モデルNEXUSが、AWSのAmazon SageMaker JumpStartで利用可能になった。NEXUSは100億行を超える表形式データで事前学習され、スプレッドシートや基幹業務システムなどの構造化データから再現性のある予測を生成できる。従来は専門のデータ科学者チームが3〜6カ月かけて行っていたモデル構築を、数日で本番運用に持ち込めると打ち出している。

学習・予測はscikit-learn互換のPython SDK（NEXUSClassifier / NEXUSRegressor）から実行でき、数値・カテゴリ・日付・文章を手作業の特徴量設計なしに扱える。同じ入力に常に同じ結果を返す決定的な仕組みを持ち、大規模言語モデルの非決定的な性質とは対照的に再現性が要る予測タスクに適合する。

推論はNVIDIA H200を8基搭載するml.p5en.48xlargeインスタンス上で専用・ネットワーク隔離の単一テナントとして動作する。GDPR・HIPAA・SOC 2への準拠を標準で満たし、データは利用者のAWS環境内に留まる。金融・医療・製造向けの業界特化版が用意され、不正検知や需要予測などに利用できる。

表形式データ予測の基盤モデルNEXUS、SageMakerで提供開始の本文内説明図 — 図解: NEXUSが提供開始 - Fundamental社の表形式データ予測専用基盤モデルNEXUSClassifier

押さえるポイント

この変化で何が要点か。図解と出典つきで一目で。

100億行超の表形式データで事前学習した予測専用の基盤モデルが登場
scikit-learn互換のPython SDKで学習・予測でき、特徴量設計が不要に
同じ入力に常に同じ結果を返す決定的な仕組みでLLMの非決定性を回避

5W1Hでサクッと理解

構造化された事実を最初に。誰が何をいつどこでなぜどのように。

誰が: Fundamental社とAWS
何を: NEXUSが提供開始
いつ: 2026年6月4日
どこで: SageMaker JumpStart
なぜ: 表形式予測の効率化
どのように: scikit-learn互換SDK

背景

企業の最重要データの多くは、表計算ソフトや基幹業務システム（ERP）、顧客管理システム（CRM）、関係データベースといった「表（テーブル）」の形で蓄積されている。従来の機械学習では、こうしたデータ向けに専門のデータ科学者チームが3〜6カ月かけて、特徴量の設計やモデル学習を行う必要があった。一方、大規模言語モデル（LLM）は文章向けに作られており、同じ問いに毎回違う答えを返す非決定的な性質があり、数値の文脈を取り違えやすい。NEXUSはこの隙間を埋めるべく、数十億件の実際の予測タスクで事前学習された表形式専用の基盤モデルとして開発された。

なぜ今注目なのか

表形式データはあらゆる業界の意思決定の土台でありながら、これまで生成AIの恩恵を受けにくい領域だった。NEXUSは同じ入力に対し常に同じ結果を返す決定的な仕組みを持ち、手作業の特徴量設計なしに数値・カテゴリ・日付・文章を扱える。SageMaker上では専用かつ外部から隔離されたGPU環境で動くため、機密データを扱う企業でも社内環境にデータを留めたまま運用できる。

数カ月の構築を数日に縮める表形式専用の基盤モデル

企業の最重要データの多くは、表計算ソフトや基幹業務システム、顧客管理システム、関係データベースといった「表」の形で蓄積されている。従来の機械学習では、こうしたデータ向けに専門のデータ科学者チームが3〜6カ月かけて特徴量の設計やモデル学習を行う必要があった。NEXUSはこの工程を短縮する。

In this post, we show you how to get started with NEXUS on Amazon SageMaker JumpStart, walk through the deployment process, and demonstrate how to run predictions against your enterprise datasets.
出典: AWS Machine Learning Blog

引用の「enterprise datasets」は社内の業務データを指す。NEXUSは100億行を超える表形式データで事前学習された予測専用の基盤モデルで、数値・カテゴリ・日付・文章を手作業の特徴量設計なしに扱える。大規模言語モデルが文章向けに作られ同じ問いに毎回違う答えを返す非決定的な性質を持つのに対し、NEXUSは同じ入力に常に同じ結果を返す決定的な仕組みを持つ。これが、再現性が要る予測業務との決定的な違いになる。

誰の何の作業が、いつから変わるのか

得をするのは、構造化データを抱えながらモデル構築の人手コストで導入を見送ってきた金融・医療・製造の事業者だ。NEXUSには業界特化版が用意され、不正検知や需要予測などに利用できる。

AWSを既に使う国内の実装担当者も、SageMaker JumpStartから直接デプロイでき、scikit-learn互換のSDKで既存のPythonワークフローに組み込める。新たなベンダー契約は要らない。

一方、影響を受けるのは特徴量設計を主業務としてきた受託のデータ分析事業者だ。手作業の特徴量設計なしに予測できる選択肢が増えれば、3〜6カ月の構築工数を前提とした案件の競合材料が変わる。表形式予測を独自モデルで内製してきたチームも、事前学習済み基盤モデルとの精度・コスト・期間の比較を迫られる。

機密データを社外に出さない隔離環境という設計

NEXUSの推論環境は、NVIDIA H200を8基搭載するml.p5en.48xlargeインスタンス上で動く。重要なのは、これが専用・ネットワーク隔離の単一テナント（他社とサーバーを共有しない貸し切り構成）として動作する点だ。

さらにGDPR・HIPAA・SOC 2への準拠を標準で満たし、データは利用者のAWS環境内に留まる。不正検知や医療データのような機密性の高い表形式データを、社外のサーバーに出さずに予測へ回せる。

コストについては、ml.p5en.48xlargeはH200を8基使う高性能インスタンスのため、推論を常時動かす構成では相応のインスタンス費用が発生する。公式ブログにNEXUS自体の利用料金の数値は示されていないため、自社の予測頻度に対しインスタンス稼働時間がどれだけ必要かを見積もったうえで、従来の内製コストと突き合わせる必要がある。