Fundamental社の大型表計算モデル「NEXUS」がAmazon SageMaker JumpStartで利用可能に
AWS は、構造化データ予測に特化した基盤モデル「NEXUS」を Amazon SageMaker JumpStart で利用可能にし、従来の機械学習や LLM の課題である時間と不確実性を解決する新アプローチを提供した。
キーポイント
構造化データ専用基盤モデルの登場
Fundamental が開発した NEXUS は、LLM や従来の ML と異なり、数億件の予測タスクで事前学習された「大型表計算モデル」であり、手動の特徴量エンジニアリングを不要とする。
決定論的かつ再現性の高い予測
確率的な LLM とは異なり、NEXUS は同一の入力に対して常に一貫した結果を出力する決定論的アーキテクチャを採用しており、企業環境での信頼性を確保する。
AWS への統合と迅速な展開
Amazon SageMaker JumpStart を通じて利用可能となり、数ヶ月かかっていたモデル構築プロセスを数日で完了させ、ERP や CRM などの表データからの予測を即時開始できる。
非逐次的推論による複雑な分析
単語やピクセルの次を予測する従来の AI とは異なり、顧客離脱などにおいて複数の要因（取引頻度、サポートチケット等）が相互に与える影響を多角的に分析する。
影響分析・編集コメントを表示
影響分析
この発表は、表計算データ解析における AI のパラダイムシフトを示すものであり、従来の専門的な特徴量エンジニアリングの必要性を根本から変える可能性があります。企業にとって、データ分析のスピードと精度が劇的に向上し、意思決定プロセスの民主化と迅速化に寄与する重要な一歩です。
編集コメント
LLM がテキスト処理の中心となる中、表計算データに特化した「大型表計算モデル」の実用化は、企業 AI 導入における大きなボトルネックである「構造化データの扱い」を解決する画期的な進展です。
本日、Fundamental の NEXUS モデルに対する Amazon SageMaker AI のサポートを発表いたします。この発表により、表形式データ予測のために特別に設計されたファウンデーションモデル（FM）をデプロイできるようになります。本モデルは、構造化データから数ヶ月ではなく数日で正確かつ決定論的な予測を生成することを企業に支援します。
本記事では、Amazon SageMaker JumpStart 上で NEXUS を使い始める方法、デプロイプロセスの概要、および企業のデータセットに対して予測を実行する方法についてご紹介します。
NEXUS とは何か？
NEXUS は Fundamental が開発したファウンデーションモデルで、表形式データの予測に特化しています。大規模言語モデル（LLM）はテキスト処理のために設計されており、従来の機械学習（ML）アプローチでは広範な特徴量エンジニアリングとモデルトレーニングが必要です。NEXUS はこれとは異なるアプローチを採用しています。構造化データセットにおける数十億件の実世界の予測タスクで事前トレーニングされているため、データ内のシグナルを見つける方法をすでに備えています。
大規模表形式モデルとして、NEXUS は構造化データの分析のために構築されており、以下の主要な革新性を提供します：
- 決定論的アーキテクチャ – 確率的大規模言語モデル（LLM）は、同一のクエリに対して異なる回答を出力する可能性があります。一方、NEXUS は個々の予測ごとに一貫性があり再現可能な結果を生み出します。
- ネイティブな表形式データの理解 – 数十億枚の表で訓練された NEXUS は、手動の特徴量エンジニアリングを必要とせず、数値、カテゴリ、日付、非構造化テキストをネイティブに処理できます。
- 非逐次的推論 – 多くの AI モデルは逐次データを予測します（例えば、次の単語や次のピクセルなど）。NEXUS は企業内の表における多次元関係を分析します。例えば、顧客離脱（チャーン）を予測する際、NEXUS は複数の要因（取引頻度、サポートチケット数、経済指標など）が離脱確率にどのように影響するかを理解します。
既存のアプローチがなぜ不十分なのか
最も価値のある企業データは、スプレッドシート、エンタープライズリソースプランニング（ERP）システム、カスタマーリレーションシップマネジメント（CRM）システム、およびリレーショナルデータベースなどの表形式に格納されています。多くの重要なビジネス判断は、このデータに対する予測に基づいて行われます。しかし、現在のツールには重大な限界があります：
- 従来の機械学習では、単一のユースケースに対してモデルを構築・訓練・展開するまでにデータサイエンティストのチームが3〜6ヶ月を要します。予測の品質と量の間に常にトレードオフが生じます。
- 大規模言語モデル（LLM）は非決定論的であり、同じデータセットに対しても異なる回答を生成します。トークン化の数値コンテキストを失うため構造化データに対して不正確な結果をもたらすことがあり、これらの問題を緩和するために複雑なガードレールが必要となります。
NEXUS は表形式データを前提に設計されており、以下のような利点を提供します:
- 順列不変性 – カラムの順序を変更しても意味は変わらないことを認識します。これはトランスフォーマーがデータを処理する方法とは異なります。
- ビリオン行対応能力 – トランケーションやサンプリングを行わずに大規模データセットを処理できます。
- クロススキーマ推論 – 関連するデータを自動的に異なるテーブル間で結びつけます。
- オートノマスなデータクリーニング – 不完全なエントリを解決します（例えば、NEXUS はエントリが欠落していても予測を実行可能です）。
Amazon SageMaker AI における NEXUS の動作
以下の図は、SageMaker AI で NEXUS を使用して展開し予測を実行するエンドツーエンドのフローを示しています。
NEXUS は、SageMaker AI の管理環境内にある専用・シングルテナント・ネットワーク分離された GPU インスタンス上で動作します。ワークフローは以下のステップで構成されます：
- サブスクライブしてデプロイ – AWS Marketplace で NEXUS モデルパッケージをサブスクライブし、ml.p5en.48xlarge インスタンス（8× NVIDIA H200 GPU）上で SageMaker AI 管理推論エンドポイントとしてデプロイします。
- SDK のインストール – Fundamental Python SDK をインストールして、SageMaker エンドポイントに接続します。この SDK は、NEXUSClassifier および NEXUSRegressor エスティメータを備えた、親しみやすい scikit-learn 互換 API を提供します。
- データの Amazon S3 へのアップロード – SDK がテーブル形式データをシリアライズし、アカウント内の Amazon Simple Storage Service (Amazon S3) バケットにアップロードします。
- モデルのトレーニング – clf.fit(X_train, y_train) を呼び出してトレーニングを実行します。NEXUS はデータクリーニングと特徴量エンジニアリングを自動的に処理するため、手動パイプラインは不要です。
- 予測の生成 – 決定論的予測には clf.predict(X_test) を、確率推定には clf.predict_proba(X_test) を呼び出します。結果は再度 Amazon S3 バケットに保存されます。
このプロセス全体を通じて、データはお客様の AWS 環境内に留まります。エンドポイントはネットワーク分離されシングルテナントであるため、機密データを扱うエンタープライズワークロードに適しています。
Amazon SageMaker AI で NEXUS を始める
始めるには、Amazon SageMaker JumpStart にアクセスし、「Fundamental NEXUS」を検索して、以下のオプションから選択してください。
- ベースモデル（100 億行以上の表形式データで事前学習済み）。
- 業界特化型バリアント（金融、医療、製造業向け）。
業界を変革するエンタープライズユースケース
表形式データは、財務台帳から患者記録、サプライチェーンログに至るまで、企業の意思決定の基盤です。NEXUS はこのデータのために特別に設計されており、広範な特徴量エンジニアリングやモデル学習を必要とせず、生きた構造化データから本番環境レベルの予測へと迅速に移行できます。以下は、NEXUS が価値を生み出す代表的なユースケースの一部です。
金融サービス
- 不正検出 – 数百万件の口座にわたる取引パターンを分析します。
- クレジットリスクモデリング – 自動特徴量抽出機能を活用してローンポートフォリオを処理します。
- 規制コンプライアンス – 非構造化の規制提出書類から構造化データを抽出します。
ヘルスケア
- 臨床試験マッチング – 電子健康記録（EHR）システム全体で対象患者を特定します。
- 創薬 – 化合物スクリーニングのための生物学的アッセイデータを分析します。
- 患者リスク層別化 – 集中治療室（ICU）の時系列データを用いて再入院リスクを予測します。
製造業とサプライチェーン
- 予知保全 – センサーデータから設備の故障を予測します。
- 需要予測 – グローバルな流通ネットワーク全体における在庫ニーズを見積もります。
- サプライヤーリスク分析 – 調達履歴を用いてベンダーの信頼性を評価します。
リテールと EC
- チューン予測 – 購入履歴や閲覧行動を活用し、離脱リスクのある顧客を特定します。
- ダイナミックプライシング – 競合他社のデータや在庫水準に基づいて価格を最適化します。
- カート放棄分析 – オンラインカートに商品を置いたまま離脱する理由の理解を支援します。
Amazon SageMaker AI で NEXUS を選ぶ理由
モデルのデプロイは課題の半分です。モデルを実行するインフラストラクチャが、実験から本番環境への移行速度を決定します。SageMaker AI は、NEXUS をエンタープライズ規模で実行するための管理済みかつ安全でスケーラブルな環境を提供します。NEXUS と AWS の組み合わせにより、差別化されない重労働を削減し、データサイエンティストがインフラストラクチャの管理ではなくビジネス成果に集中できるようにします。
- 価値提供までの期間の短縮 – 事前構築されたコンテナとスクリプトにより、デプロイ時間を削減します。
- コスト効率性 – SageMaker AI の管理型インフラストラクチャが運用オーバーヘッドを軽減します。
- スケーラビリティ – ペタバイト規模のデータセットに自動的にスケールします。
- コンプライアンス対応済み – デフォルトで GDPR、HIPAA、SOC 2 の要件を満たしています。
- 継続的学習 – モデル再トレーニングのために Amazon SageMaker Pipelines とネイティブ統合されています。
- マルプレックスサポート – 単一の SageMaker AI エンドポイント上で複数のフィット（fit）および予測（predict）操作をサポートし、各ユースケースに専用のリソースを必要としないようにします。
AWS との戦略的パートナーシップ
Fundamental は、企業の採用加速のために AWS と戦略的パートナーシップを締結しました:
- ネイティブ統合 – NEXUS を直接 AWS Marketplace からデプロイできます。
- セキュアなインフラストラクチャ – AWS の安全でコンプライアンス対応済みのクラウド環境上で実行されます。
- エンタープライズサポート – 実装ガイダンスのために専任の AWS Solutions Architects が提供されます。
次のステップ
データ駆動型の意思決定を変革する準備はできましたか？
- 詳細については Fundamental チームにお問い合わせください。
- Amazon SageMaker AI の JupyterLab スペースで、管理されたサンプルノートブックを試用してください。
結論
本記事では、Amazon SageMaker AI 上の NEXUS モデルサポートが、構造化データ資産から新たな知見を引き出す方法について解説しました。設備の故障予測、サプライチェーンの最適化、あるいは金融詐欺の検出など、どのようなエンタープライズ向け予測ワークロードにおいても、NEXUS は決定論的かつスケーラブルな機能を提供します。
詳細については、以下のリソースをご覧ください:
- Fundamental NEXUS ドキュメント
- Amazon SageMaker AI 開発者ガイド
著者について
Vivek Gangasani
Vivek は、SageMaker Inference のソリューションアーキテクチャにおける世界全体のリーダーです。彼は SageMaker Inference 向けのソリューションアーキテクチャ、技術的な市場投入（GTM）、およびアウトバウンド製品戦略を統括しています。また、企業やスタートアップが GenAI モデルのデプロイと最適化を行い、SageMaker と GPU を活用した AI ワークフローを構築するのを支援しています。現在、彼は Agentic ワークフローや RAG（Retrieval-Augmented Generation）などのユースケースにおける推論パフォーマンスの最適化戦略とコンテンツ開発に注力しています。
Hazim Qudah
Hazim は、Amazon Web Services の AI/ML スペシャリスト ソリューションアーキテクトです。AWS の技術とベストプラクティスを活用して顧客が AI/ML ソリューションを構築し、導入するのを支援することに喜びを感じています。AWS での役割以前には、多くの業界や地域にまたがる顧客に対して、長年にわたりテクノロジーコンサルティングに従事していました。趣味の時間には、ランニングをしたり、愛犬と遊んだりするのが好きです!
Jimmy Shah
Jimmy は、AWS の SageMaker AI におけるプリンシパル スペシャリストです。SageMaker AI のアウトバウンド製品管理および技術的 Go-to-Market (GTM) 戦略を主導するチームの一員であり、特に金融サービスセグメントに注力しています。現在、SLM(スモールランゲージモデル) のファインチューニングとデプロイメント、エージェント型 AI、推論最適化のユースケースに関する戦略やコンテンツの開発に取り組んでいます。
原文を表示
Today, we’re announcing support for Fundamental’s NEXUS model on Amazon SageMaker AI. With this launch, you can deploy a foundation model (FM) purpose-built for tabular data prediction. This model helps your enterprise generate accurate, deterministic predictions from structured data in days instead of months.
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.
What is NEXUS?
NEXUS is a foundation model developed by Fundamental and built for tabular data prediction. Large language models (LLMs) are designed for text, and traditional machine learning (ML) approaches require extensive feature engineering and model training. NEXUS takes a different approach. It’s pre-trained on billions of real-world prediction tasks across structured datasets, so it arrives already knowing how to find signal in your data.
As a Large Tabular Model, NEXUS is built for structured data analysis and offers these key innovations:
- Deterministic architecture – Probabilistic LLMs might provide different answers to identical queries. NEXUS produces consistent, reproducible results for each individual prediction.
- Native tabular understanding – Trained on billions of tables, NEXUS natively processes numbers, categories, dates, and unstructured text without manual feature engineering.
- Non-sequential reasoning – Most AI models predict sequential data (for example, the next word or the next pixel). NEXUS analyzes multi-dimensional relationships in enterprise tables. For example, when predicting customer churn, NEXUS understands how multiple factors (transaction frequency, support tickets, and economic indicators) impact the likelihood of attrition.
Why existing approaches fall short
The most valuable enterprise data sits in tables such as spreadsheets, enterprise resource planning (ERP) systems, customer relationship management (CRM) systems, and relational databases. Many critical business decisions depend on predictions made against this data. However, today’s tools have significant limitations:
- Traditional ML takes teams of data scientists 3–6 months to build, train, and deploy a model for a single use case. You face a constant trade-off between quality and quantity of predictions.
- LLMs are non-deterministic, producing different answers on the same dataset. They lose numerical context during tokenization, which leads to inaccurate results on structured data and requires complex guardrails to mitigate these issues.
NEXUS is architected for tabular data and provides advantages such as the following:
- Permutation invariance – Recognizes that changing column order doesn’t change meaning, which differs from how transformers handle data.
- Billion-row capability – Processes massive datasets without truncation or sampling.
- Cross-schema reasoning – Connects related data across disparate tables automatically.
- Autonomous data cleaning – Resolves incomplete entries (for example, NEXUS can still make predictions even when entries are missing).
How NEXUS works on Amazon SageMaker AI
The following figure illustrates the end-to-end flow for deploying and running predictions with NEXUS on SageMaker AI.
NEXUS runs on a dedicated, single-tenant, network-isolated GPU instance within the SageMaker AI managed environment. The workflow consists of the following steps:
- Subscribe and deploy – Subscribe to the NEXUS model package on AWS Marketplace, then deploy it as a SageMaker AI managed inference endpoint on an ml.p5en.48xlarge instance (8× NVIDIA H200 GPUs).
- Install the SDK – Install the Fundamental Python SDK and connect it to your SageMaker endpoint. The SDK provides a familiar scikit-learn compatible API with NEXUSClassifier and NEXUSRegressor estimators.
- Upload data to Amazon S3 – The SDK serializes your tabular data and uploads it to an Amazon Simple Storage Service (Amazon S3) bucket in your account.
- Train a model – Call clf.fit(X_train, y_train) to train. NEXUS handles data cleanup and feature engineering automatically, with no manual pipeline required.
- Generate predictions – Call clf.predict(X_test) for deterministic predictions or clf.predict_proba(X_test) for probability estimates. Results are stored back in your Amazon S3 bucket.
Your data stays in your AWS environment throughout this process. The endpoint is network-isolated and single-tenant, which makes NEXUS suitable for enterprise workloads with sensitive data.
Get started with NEXUS on Amazon SageMaker AI
To get started, navigate to Amazon SageMaker JumpStart, search for *Fundamental NEXUS*, and choose from the following:
- Base model (pre-trained on over 10B tabular rows).
- Industry-specific variants (finance, healthcare, and manufacturing).
Enterprise use cases transforming industries
Tabular data is the backbone of enterprise decision-making, from financial ledgers to patient records to supply chain logs. NEXUS is purpose-built for this data and helps you go from raw structured data to production-grade predictions without extensive feature engineering or model training. The following are a few representative use cases where NEXUS can create value.
Financial services
- Fraud detection – Analyzes transaction patterns across millions of accounts.
- Credit risk modeling – Processes loan portfolios with automated feature extraction.
- Regulatory compliance – Extracts structured data from unstructured regulatory filings.
Healthcare
- Clinical trial matching – Identifies eligible patients across electronic health record (EHR) systems.
- Drug discovery – Analyzes biological assay data for compound screening.
- Patient risk stratification – Predicts readmission risks using intensive care unit (ICU) time-series data.
Manufacturing and supply chain
- Predictive maintenance – Forecasts equipment failures from sensor data.
- Demand forecasting – Anticipates inventory needs across global distribution networks.
- Supplier risk analysis – Evaluates vendor reliability using procurement history.
Retail and ecommerce
- Churn prediction – Identifies at-risk customers by using purchase history and browsing behavior.
- Dynamic pricing – Optimizes prices based on competitor data and inventory levels.
- Cart abandonment analysis – Helps you understand why customers leave items in online carts.
Why choose NEXUS on Amazon SageMaker AI
Deploying a model is only half the equation. The infrastructure you run it on determines how quickly you can move from experimentation to production. SageMaker AI provides a managed, secure, and scalable environment for running NEXUS at enterprise scale. Together, NEXUS and AWS reduce undifferentiated heavy lifting so your data scientists can focus on business outcomes rather than infrastructure management.
- Accelerated time-to-value – Pre-built containers and scripts reduce deployment time.
- Cost efficiency – The managed infrastructure of SageMaker AI reduces operational overhead.
- Scalability – Automatically scales to petabyte-scale datasets.
- Compliance ready – Meets GDPR, HIPAA, and SOC 2 requirements by default.
- Continuous learning – Native integration with Amazon SageMaker Pipelines for model retraining.
- Multiplex support – Supports multiple fit and predict operations on a single SageMaker AI endpoint, which removes the need for dedicated resources for each use case.
Strategic AWS partnership
Fundamental has entered a strategic partnership with AWS to accelerate enterprise adoption:
- Native integration – Deploy NEXUS directly from AWS Marketplace.
- Secure infrastructure – Runs on the AWS secure, compliant cloud environment.
- Enterprise support – Dedicated AWS Solutions Architects for implementation guidance.
Next steps
Ready to transform your data-driven decisions?
- Contact the Fundamental team to learn more.
- Try the managed example notebook in a JupyterLab space on Amazon SageMaker AI.
Conclusion
In this post, we showed how NEXUS model support on Amazon SageMaker AI helps you unlock new insights from your structured data assets. Whether you’re predicting equipment failures, optimizing supply chains, or detecting financial fraud, NEXUS provides deterministic, scalable capabilities for your enterprise prediction workloads.
To learn more, see the following resources:
- Fundamental NEXUS documentation
- Amazon SageMaker AI Developer Guide
About the authors
Vivek Gangasani
Vivek is a Worldwide Leadfor Solutions Architecture, SageMaker Inference. He leads Solution Architecture, Technical Go-to-Market (GTM) and Outbound Product strategy for SageMaker Inference. He also helps enterprises and startups deploy and optimize a GenAI models and build AI workflows with SageMaker and GPUs. Currently, he is focused on developing strategies and content for optimizing inference performance and use-cases such as Agentic workflows, RAG, etc.
Hazim Qudah
Hazim is an AI/ML Specialist Solutions Architect at Amazon Web Services. He enjoys helping customers build and adopt AI/ML solutions using AWS technologies and best practices. Prior to his role at AWS, he spent many years in technology consulting with customers across many industries and geographies. In his free time, he enjoys running and playing with his dogs!
Jimmy Shah
Jimmy is a Principal Specialist for SageMaker AI at AWS. He is part of the team that leads outbound product management and Technical Go-to-Market (GTM) strategy for SageMaker AI, with a focus on the financial services segment. Currently, he is focused on developing strategies and content for SLM fine-tuning and deployment, agentic AI, and inference optimization use cases.
関連記事
スーパーチャージャー構築：Rocket Close がエージェント型 AI でタイトル業務を最適化する方法
ロケット・カンパニーズ傘下のデトロイト拠点タイトル代理店 Rocket Close は、住宅購入プロセスのボトルネックとなっていた時間のかかる州固有のタイトル調査を、エージェント型 AI を活用することで効率化しました。
Amazon Quick と Cisco Webex MCP サーバーを用いた会議準備・フォローアップ支援アシスタントの構築
AWS は、Amazon Quick と Cisco Webex の MCP サーバーを連携させることで、会議の準備や事後処理を単一の会話型ワークフローで完結させる方法を公開した。これにより、ユーザーは複数のツールを行き来せずとも必要な情報を一元的に取得できる。
PDF から洞察へ：AWS 生成 AI サービスを用いたインテリジェントなドキュメント処理パイプラインの構築
AWS は、従来の OCR では文脈や意味を理解できない課題に対し、生成 AI を活用した新しいドキュメント処理パイプラインを提案し、手作業によるボトルネック解消とコスト削減を実現するアーキテクチャを紹介している。
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み