Les bases de données relationnelles sont largement utilisées dans les formats de données d'entreprise et alimentent de nombreux services de prédiction, mais les méthodes d'apprentissage automatique traditionnelles ont du mal à exploiter pleinement la structure de connectivité de ces schémas relationnels. Les réseaux de neurones graphiques (GNN) sont bien adaptés aux données structurées en graphes, mais la plupart des GNN sont fixes à un graphique particulier et ne peuvent pas généraliser à de nouveaux graphiques avec de nouveaux nœuds, des types d'arêtes, des fonctionnalités et des étiquettes de nœuds. L'objectif est de concevoir un modèle unique qui puisse exceller sur des tables relationnelles interconnectées et généraliser à tout ensemble arbitraire de tables, de fonctionnalités et de tâches sans entraînement supplémentaire. Cela peut être réalisé en transformant les tables relationnelles en un seul graphe hétérogène, où chaque table devient un type de nœud unique et chaque ligne dans une table devient un nœud. Un modèle de fondation de graphe (GFM) peut être entraîné sur un graphe et effectuer une inférence sur tout graphe inconnu malgré les différences de structure et de schéma. Le défi clé est de créer une méthode de transfert pour encoder les schémas de base de données arbitraires et gérer les fonctionnalités de nœuds. Les résultats montrent que les GFM peuvent apporter des améliorations significatives de performance par rapport aux repères tabulaires traditionnels, et que l'exploitation de la structure des données peut améliorer les modèles d'apprentissage automatique avec des applications larges dans l'intelligence artificielle.