# LinkedIn 花了5年才跑通的图神经网络，她想让任何公司4周见效

> Training Data No. 28 中文精读

- 原标题：Kumo’s Hema Raghavan: Turning Graph AI into ROI
- 发布日期：2025-01-21
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/028-kumos-hema-raghavan-turning-graph-ai-into-roi-7rrLY1.html
- 精读字数：约 5232 字（阅读约 12 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

四周，是 Kumo AI 给客户做概念验证的标准周期。联合创始人 Hema Raghavan 在节目里回忆了一下，想不出哪一次没在这个周期内让客户看到价值。

这个数字的另一面，是她在 LinkedIn 的亲身经历：图神经网络在 LinkedIn 从立项到跑起广告、信息流和职位推荐，前后花了四到五年，动用了大量工程师。她清楚这件事有多难，因为最初带队的就是她。

Hema 是 LinkedIn「你可能认识的人」（People You May Know）技术的缔造者，在 LinkedIn 待了将近八年，管过通知系统，背过会话数和月活这两个核心 KPI。她入行做 NLP 时，BERT 还没问世。现在她是 Kumo AI 的联合创始人和工程负责人，做的事一句话能说清：**把图神经网络装进数据仓库，让企业用类 SQL 的语句直接「查询未来」**。

她做客红杉资本的播客 Training Data，和主持人 Sonya Huang、Konstantine Buhler 聊了这门生意的底层逻辑。下面是值得记下来的部分。

## AutoML 死过一次，这次凭什么不一样

Konstantine 开场就抛了个尖锐问题：AutoML 五六年前火过一波，后来掉进幻灭低谷，一堆玩家退场，公司们转头去建特征库了。你为什么还做这个？

Hema 的回答很干脆：**AutoML 和 GPU 上的 AutoML，是两码事**。

她从自己的职业讲起。2000 年代初她做 NLP，要回答「马可·波罗什么时候登陆亚洲」这类问题，得手工写特征：马可·波罗是句子的主语，答案大概率也以主语形式出现。那个年代，你得懂语言学结构，机器才肯干活。

GPU 革命来了之后，这些特征没人再写了。神经网络的中间层自己学会了词性、命名实体这些语言属性。

她认为老一代 AutoML 犯的是同一个毛病。那时的 AutoML 跑在 CPU 上，模型是逻辑回归、SVM 这类，本质上是把数据科学家手工算特征的流程并行化，**强迫机器模仿人类思考**。

Kumo 的路数相反。图神经网络（GNN）可以理解为 CNN 和序列模型的超集，能处理任意结构的数据，特征让网络自己学。用她的话说，Kumo 做的是把 transformer 时代的技术带进预测型 AI。

Konstantine 补了个更激进的说法：图是最通用的数据类型，图神经网络是最通用的学习算法，**连 transformer 都是它的子集**。他提到 Kaggle 时代和 Netflix 大奖，赢家永远是集成模型，一堆小算法链在一起。而神经网络，说白了就是几十亿个逻辑回归链在一起。区别在于，GNN 能自己发现该链哪些特征、哪些算法。

Hema 补了一句生产环境的吐槽：集成模型维护起来是灾难。她见过一个前端工程师改了观看日志的埋点方式，N 条特征生成管道集体出问题，调试一团乱麻。图给你一个简单优雅的框架，拿到同样的结果。

## 每家公司都有图，只是它藏在表格里

Sonya 要求「讲给五岁小孩听」。Hema 用推荐播客举了个例子。

这期节目上了 YouTube。用户登录后，系统知道这期节目的内容，也存着他全部的观看记录，躺在一张 views 表里。协同过滤只看观看行为，图学习看的是整个网络：用户、播客单集、红杉资本的频道、各种元数据，全是节点；观看、点击这些行为信号，全是边。

神经网络学到的东西大概是这样：Sonya 爱 AI 内容，也爱 Baby Shark，她自嘲那可能是全家的偏好；Konstantine 爱 AI，也爱历史。两人在 AI 内容上高度重叠。所以 Sonya 看 Baby Shark 的时候，系统不会把它推给 Konstantine。

Konstantine 还提了个类比：人脑的运作方式更像图，不断形成和修剪连接。Hema 认可了一半。GNN 学的是每个节点的嵌入表示，Sonya 这个节点在向量空间里既靠近 AI 内容，也靠近所有爱 Baby Shark 的人。她觉得这个类比贴切的地方在于，**GNN 允许任意结构，而人脑既不是一条序列，也不是图像那种网格**。

例子讲完，Konstantine 追问了一个词：「表格」。Hema 确认，这就是全场最关键的信息：**关系型数据和图存在一一映射**。表里的主键就是图的节点，主键与外键的关系就是图的边。企业数据大多以关系表形式存在，这是 AI 革命之前的分析革命留下的遗产。

换句话说，**几乎每家企业都有图，只是它以表格的形态躺着**。金融科技公司有客户表、交易表；配送公司有库存、供应商、运输方式。全是实体，全互相链接。

从表格到图的自动转换，是 Kumo 的核心创新之一。另一个是一门预测查询语言，长得像 SQL，多了一个 predict 子句，几行代码就能定义一个机器学习问题。全世界的分析师都会写 SQL，Kumo 等于让他们用母语定义机器学习问题。

Konstantine 总结得很妙：分析师查「过去有多少人看 AI 视频」，这叫查询过去；Kumo 回答「未来几周多少人会看」「这个用户会不会流失」「该推哪个视频留住他」，这叫查询未来。

客户的用法横跨几个行业。医疗客户用 Kumo 预测急诊室需求，保证备货充足；金融客户用它做欺诈检测，判断某个用户的行为可不可疑。Hema 把能回答的问题归成三类：多少？这件事会不会发生？这个用户的下一步最佳动作是什么？

## 四周 POC，把怀疑者变成信徒

Sonya 问了个扎心的问题：欺诈、需求预测这些经典 ML 赛道，每家公司都有现成团队，五人欺诈团队、十五人需求预测团队。Kumo 上门推销时，这些人什么反应？开箱效果真能打过十五个人的团队？

Hema 的答案分两层。

第一层，大多数数据科学家其实欢迎 Kumo。**写特征管道的活儿附带大量维护工作，那不是他们想花时间的地方**。数据科学家的激励是直接业务影响：这个季度我推的广告点击率模型，带来了百分之几的收入？很多客户找上门时说的话是，我签了对赌要 X% 的收入增长，才完成三分之一，帮我们加速。

Kumo 的做法是四周 POC。Hema 试着回忆有没有哪次没在四周内展示出价值，想不起来。Sonya 感叹，你们真把他们变成信徒了。

第二层，上手之后有人会抗议：特征工程是我全部的时间投入，你说不用手工做了？Hema 的回应是提醒他们 NLP 的那段历史，然后指出 Kumo 给业务知识留了空间。**数据科学家最懂自己的业务**。定义流失预测时，看 30 天窗口的活跃数据，还是 90 天、365 天，这是业务判断，全都是查询参数。

有客户写了五个不同窗口的查询，发现自家系统里流失的最佳预测指标竟然是 365 天窗口的行为。之前根本不知道，因为时间都花在别的地方了。

她在 LinkedIn 见过另一面：数据科学家把时间耗在维护特征管道上，而他们真正该做的，是在业务的 N 个不同位置试 N 个模型，驱动价值。所以她给出判断：**特征工程作为一门学科会消失，这是好事**。

> 我们给你一辆自动驾驶汽车。想掀开引擎盖、想开手动挡，随你。

这句是 Hema 对产品形态的概括。分析师用预测查询就行；想调神经网络参数的专家有 Python 接口，可以一路扎到底。

## 搬进数据仓库，成本和合规一起算

技术架构这段是整期节目里最「工程师」的部分，但商业逻辑全藏在这里。

Kumo 最初是纯 SaaS 公司。他们很快发现一个问题：数据科学家只认自己业务问题上的价值，在 Kaggle 数据集上秀肌肉不算数；要连客户自己的数据，就得过安全审查，很多公司这一关要拖上几个月。

解法是直接搬进数据仓库。在 Snowflake 上，Kumo 通过 Snowpark Container Services 部署成容器，对数据科学家来说就是一个原生应用，点一下安装，像 iPhone 装 App，然后开始写预测查询。数据不出仓库，安全团队通常直接放行。Databricks 上模式类似，Kumo 管理 GPU 算力，数据驻留完全留在 Databricks 内部。

这个选择还有个副产品：安全合规、数据治理这些活儿，数据仓库厂商已经在建工具了，Kumo 不用重复造轮子。

图本身怎么算，是图学习难普及的另一个原因。数据库可以逻辑分区，图是缠在一起的，怎么拆到多台内存有限的机器上是个硬问题。全世界能做好的公司屈指可数，通常要养一个庞大的基础设施团队。

Kumo 的方案：边用专有的压缩格式存在图引擎里，节点分发到 CPU 机器上水平扩展，特征放列式存储。GPU 只在训练和消息传递时才动用。**用 CPU 存图、GPU 只管训练，成本压下来了**。Hema 说，客户经常惊讶于图学习能在这个价格上跑到这个规模。

还有一块是客户逼出来的能力：可解释性。Kumo 的客户里有保险和医疗公司，他们必须知道模型为什么给出这个推荐，得确认模型没有在种族、肤色这些属性上过度加权。**可解释性成了入场的基本盘**。Kumo 为此专门做了个算法：训练完成后回看图和梯度，一路下钻到表级，告诉你用了哪些表、哪些列。早期结果还能做到实例级，Sonya 被推荐这个视频、得分为什么高，能具体到哪几个特征。

## 在 LinkedIn 的八年，她提前交过学费

Hema 加入 LinkedIn 时是 IPO 后没几年，会员四亿，正快速膨胀。她本来是 AI 研究员，进了增长团队，第一份差事是带「你可能认识的人」团队。社交网络的特殊性在于，这个功能和核心指标直接挂钩，她突然发现自己要对会话数和月活负责，后来又接管了通知系统。

那段经历逼着她提前思考 MLOps，比这个词被发明出来还早：模型上线后怎么度量、怎么做 A/B 测试、怎么维护。她见过太多模型在生产环境退化，原因是行为随季节漂移，**人在新年和暑假，在 LinkedIn 上的表现完全不同**。自动重训练管道就是那时候必须建的。

至于 LinkedIn 的图神经网络，她离开后由团队继续推进，前后花了四到五年、大量工程师，现在支撑广告、信息流、职位推荐整条产品线，团队最近发了篇论文，叫 LiGNN。

这段历史的对照意义在于：全球养得起这种团队的公司没几家。Kumo 做的事，是把这四五年压缩成一个四周的 POC。

## 和 LLM 互补，以及谁暂时不适合

Sonya 问了个所有人都想问的问题：图的世界和 LLM 的世界，什么关系？

Hema 给了两个结合点。

第一个，LLM 当特征工厂。这期播客会被 LLM 转写、总结，生成语义表示，这些可以直接作为图里节点的特征，GNN 在上面学交互模式。

第二个，Kumo 当 LLM 的个性化外挂。她举了个例子：用户在服装店搜「黄色夏季连衣裙」，没登录，LLM 直接给结果，挺好。登录了，App 里存着他全部过往行为，Kumo 的预测可以喂给 RAG，**把 LLM 的输出锚定到个性化的事实上**，幻觉更少。

Konstantine 顺势问了 Graph RAG，这个概念最近很热。Hema 区分得很清楚：Graph RAG 用的是知识图谱，医疗领域的保险编码、症状关联那种，用图谱检索给 LLM 的输出提供依据。RAG 的检索源可以是搜索索引、知识图谱，也可以是 Kumo 这样的推荐系统，目的都一样：让 LLM 少胡说。

她的判断是互补。LLM 不考虑 App 里积累的行为数据，Kumo 补的正是这一块。她透露，已经有人把 Kumo 和 LangChain、Pinecone 接在一起，做那种会推荐黄色连衣裙的聊天机器人。这是她对 Kumo 未来最兴奋的部分。

聊完愿景，Konstantine 问了个对潜在客户很实际的问题：三位创始人分别带着 LinkedIn、Airbnb、Pinterest 的资深 AI 背景，其中包括斯坦福教授 Jure Leskovec，全是超大规模公司的玩法。小公司会不会觉得这是香槟问题，几亿用户的公司才有的烦恼？

Hema 说，这正是他们发明预测查询语言的原因。很多公司数据科学家不多，想用 AI 的地方一大把，他们说想成为 LinkedIn、Airbnb，可养不起那么多人。易用的接口加上托管的大规模基础设施，就是给他们的答案。

什么时候真的不适合？**数据地基没打好的时候**。有的客户连 AI 价值怎么衡量都没想清楚，有的还在用表格、正往数据仓库搬家。Hema 的原话是，像建城市，先修路打地基，再让车上路。这种客户她会劝先回去，一两年后再来。

所以门槛跟行业、跟问题类型无关，跟数据成熟度有关。你不用是 Airbnb，但你得能量化想优化的指标，得有数据躺在某个数据仓库里。

她给企业的数据演进画了条线：先找到产品市场契合，然后为分析建数据生态，因为产品上线后你得度量用户行为。领导者通常在这时候开始想 AI：我现在会查询过去了，接下来需要 AI 来驱动我要的改变。

节目结尾还有两个细节。Hema 刚去了 KDD，数据挖掘领域最大的会之一，她说超过一半的论文跟图神经网络有关，**图学习正坐在爆发点上**。给年轻 AI 工程师的建议，她没推荐任何框架：工具和语言来来去去，概率和线性代数别翘课，几十年来的所有方法最后都回到这两样东西。

对读者，我把这场对话浓缩成三件明天就能动手的事。

- 打开你公司数据仓库的 schema，把主键和外键关系数一遍。那就是一张现成的图，节点和边都画好了。对照三类问题检查一遍：多少、会不会发生、下一步最佳动作，看看里面藏着多少预测机会。
- 审计数据科学团队的工时，算算有多大比例耗在特征管道的维护上。如果超过一半，这支队伍的产能正在被浪费，该考虑换个用法了。
- 如果数据还在 Excel 里，先把仓库建了。地基没打好之前，别急着谈 AI。