Fundamental은 정형 데이터 분석을 위해 설계된 대규모 테이블 모델 NEXUS를 Amazon SageMaker JumpStart를 통해 출시했다. 이 파운데이션 모델은 100억 개 이상의 행을 사전 학습했으며, 기존 머신러닝에서 필수적이던 수동 특성 공정 없이도 기업용 데이터셋에 대한 예측을 수행한다. 또한 결정론적 구조를 채택해 표준 거대언어모델의 비결정적 특성을 극복하고 일관된 재현 결과를 제공한다.

NEXUS는 열 순서에 영향을 받지 않는 순열 불변성과 서로 다른 테이블 간 데이터를 연결하는 스키마 간 추론 기능을 제공한다. 또한 데이터 자동 정화 기능을 탑재해 별도 절삭 과정 없이 대규모 데이터셋을 처리할 수 있다. 이 시스템은 거래 빈도, 지원 이력, 경제 지표 등을 결합해 고객 이탈을 예측하는 등 다차원적인 관계 분석에 최적화되었다.

사용자는 AWS Marketplace에서 모델 패키지를 구독한 뒤, 8개의 NVIDIA H200 GPU가 탑재된 ml.p5en.48xlarge 인스턴스에 배포할 수 있다. 배포에는 scikit-learn과 호환되는 인터페이스를 갖춘 Fundamental Python SDK가 사용된다. 데이터는 Amazon S3에 업로드하며, 이후 clf.fit 및 clf.predict와 같은 표준 파이썬 명령어로 자동 정화와 특성 추출이 진행된다.

NEXUS는 기본 버전 외에도 금융, 의료, 제조, 유통 등 산업별 맞춤형 모델을 지원한다. 금융권의 경우 사기 탐지 및 신용 위험 모델링에 활용하며, 의료 분야는 임상 시험 매칭과 환자 위험 분류에 적용한다. 제조 분야에서는 예측 정비와 수요 예측이 가능하다. AWS 환경과의 통합을 통해 데이터는 단일 테넌트 및 네트워크 격리 환경에서 보관되며, GDPR, HIPAA, SOC 2 등 보안 요건을 충족한다. 기업은 SageMaker AI의 관리형 인프라를 활용해 파이프라인 기반으로 모델을 재학습하고 페타바이트급 워크로드까지 예측 규모를 확장할 수 있다.

Fundamental은 정형 데이터 분석을 위해 설계된 대규모 테이블 모델 NEXUS를 Amazon SageMaker JumpStart를 통해 출시했다. 이 파운데이션 모델은 100억 개 이상의 행을 사전 학습했으며, 기존 머신러닝에서 필수적이던 수동 특성 공정 없이도 기업용 데이터셋에 대한 예측을 수행한다. 또한 결정론적 구조를 채택해 표준 거대언어모델의 비결정적 특성을 극복하고 일관된 재현 결과를 제공한다.

NEXUS는 열 순서에 영향을 받지 않는 순열 불변성과 서로 다른 테이블 간 데이터를 연결하는 스키마 간 추론 기능을 제공한다. 또한 데이터 자동 정화 기능을 탑재해 별도 절삭 과정 없이 대규모 데이터셋을 처리할 수 있다. 이 시스템은 거래 빈도, 지원 이력, 경제 지표 등을 결합해 고객 이탈을 예측하는 등 다차원적인 관계 분석에 최적화되었다.

사용자는 AWS Marketplace에서 모델 패키지를 구독한 뒤, 8개의 NVIDIA H200 GPU가 탑재된 ml.p5en.48xlarge 인스턴스에 배포할 수 있다. 배포에는 scikit-learn과 호환되는 인터페이스를 갖춘 Fundamental Python SDK가 사용된다. 데이터는 Amazon S3에 업로드하며, 이후 clf.fit 및 clf.predict와 같은 표준 파이썬 명령어로 자동 정화와 특성 추출이 진행된다.

NEXUS는 기본 버전 외에도 금융, 의료, 제조, 유통 등 산업별 맞춤형 모델을 지원한다. 금융권의 경우 사기 탐지 및 신용 위험 모델링에 활용하며, 의료 분야는 임상 시험 매칭과 환자 위험 분류에 적용한다. 제조 분야에서는 예측 정비와 수요 예측이 가능하다. AWS 환경과의 통합을 통해 데이터는 단일 테넌트 및 네트워크 격리 환경에서 보관되며, GDPR, HIPAA, SOC 2 등 보안 요건을 충족한다. 기업은 SageMaker AI의 관리형 인프라를 활용해 파이프라인 기반으로 모델을 재학습하고 페타바이트급 워크로드까지 예측 규모를 확장할 수 있다.