RFX-Fuse: Šumska inteligencija koju smo zaboravili izgraditi

Kada su leo breiman i adele cutler 1995. predložili random forest, nisu mislili samo na klasifikator. Njegov dizajn bio je univerzalni — klasifikacija, regresija, nesupervizirano učenje, procjena sličnosti, detekcija izuzetaka, popunjavanje nedostajućih podataka i vizualizacija, sve u jednom paketu. No, moderni okviri poput scikit-learna implementirali su samo dio te vizije, ostavljajući istraživače ovisnima o fragmentiranom ekosustavu alata. RFX-Fuse, predstavljen u arXiv radu 2603.13234v1, vraća tu izvornu ambiciju. Umjesto kombiniranja XGBoosta za predikciju, FAISS-a za sličnost, SHAP-a za interpretabilnost i isolation foresta za anomalije, ovaj engine nudi sve to u jednom modelu — s nativnom GPU podrškom. Prema dostupnim informacijama, to smanjuje operativnu složenost za 60-80% u tipičnim pipeline-ovima. Za znanstvene misije koje rade s ograničenim resursima — poput analize satelitskih podataka ili real-time procesiranja senzorskih tokova — ovo nije samo optimizacija, nego preduvjet za skalabilnost.

Kritična točka leži u validaciji: breimanov originalni dizajn nikad nije bio testiran u modernim uvjetima. RFX-Fuse tvrdi da čuva matematičku riguroznost, ali čini se da najveća prednost nije u performansama, nego u konzistentnosti. Kada isti model generira predikcije, detektira anomalije i izračunava sličnost između uzoraka, smanjuje se rizik od compounding error-a — greške koja se akumulira pri prelasku između raznih alata. Što se tiče primjene, autori ističu da je engine posebno koristan za proximity-based zadatke, poput klasifikacije neoznačenih podataka na temelju sličnosti s referentnim skupom. To bi moglo ubrzati analizu, recimo, spektroskopskih podataka s marsovih rovera, gdje je ručno označavanje nemoguće, a sličnost između uzoraka ključna. No, pitanje ostaje: kako se ovo ponaša na edge uređajima s ograničenom računskom snagom? Dio machine learning zajednice već reagira — ne toliko zbog performansi, koliko zbog filozofije. RFX-Fuse podsjeća da je originalni random forest bio zamišljen kao sveobuhvatan pristup, a ne kao još jedan algoritam u arsenalu. Ako se ovo potvrdi u praksi, moglo bi promijeniti način na koji gradimo ML sustave: manje o stapanju alata, više o integriranom razmišljanju.