The AI / news

Streamhouse : نماذج السلاسل الزمنية تفتح آفاقاً جديدة للاستخدامات

Streamhouse : نماذج السلاسل الزمنية تفتح آفاقاً جديدة للاستخدامات
3 دقيقة للقراءة

تقارب شركتا IBM وConfluent نماذج الأساس للسلاسل الزمنية مع البيانات المتدفقة. هذه النماذج، التي تضم عائلة من أربعة نماذج وأكثر من 50 مليون عملية تنزيل، تعمل بشكل أصلي داخل Confluent، سواء في السحابة أو على الموقع المحلي، وتعمل على معالجات CPU دون الحاجة إلى معالجات GPU (المعالجات الرسومية).

تنتج كل شركة تدفقاً مستمراً من الملاحظات: قياس آلة، دفعة، عملية بيع، طلب، أو تغير في المخزون. تحتوي هذه السلاسل الزمنية على إشارات يمكن أن تساعد في توقع ما سيأتي. التحدي يكمن في تحويلها إلى قرارات بينما لا تزال ذات أهمية. قد يكون التنبؤ الذي يصل بعد انتهاء سلسلة إنتاج، أو نفاد المخزون، أو تفويض الدفع، دقيقاً، لكنه قد يأتي متأخراً جداً للتأثير على النتيجة.

تطبق نماذج الأساس، المألوفة بالفعل في النصوص والصور والمستندات، فكرة مشابهة على البيانات الرقمية. فهي تتعلم اتجاهات عامة من بيانات تاريخية متنوعة، ثم تطبق هذه المعرفة على سلاسل جديدة. وبالتالي يمكن توفير نقطة انطلاق دون الحاجة إلى تدريب نموذج منفصل لكل سلسلة. واعتماداً على المهمة ونطاق النشر، يمكن للفرق أيضاً ضبط النموذج بدقة (Fine-tuning) أو دمج نتائجه مع بيانات أخرى ومنطق أعمال.

عملياً، تعمل النماذج مباشرة داخل Confluent كوظائف مدمجة. في Confluent Cloud، فهي تدار بالكامل ولا تتطلب أي نشر. على الموقع المحلي، يمكنها العمل في بنية الشركة التحتية باستخدام Confluent Platform for Apache Flink. يسمح Flink، وهو محرك معالجة تدفق البيانات، بتطبيق التنبؤ، واكتشاف الشذوذ، والذكاء الدلالي على البيانات المتدفقة باستخدام SQL.

Streamhouse للسياق في الوقت الفعلي

تعمل الشركات بشكل مستمر، بينما غالباً ما تكون المعلومات موزعة بين أنظمة يتم تحديثها في أوقات مختلفة، أو تعتمد على معالجات دفعية دورية. يهدف Streamhouse إلى التقاط، ومعالجة، وإدارة، وتقديم سياق الأعمال الحالي هذا بشكل مستمر. تجمع منصة Data Streaming من Confluent خمس قدرات: الاتصال، التدفق، المعالجة، الإدارة، والاستعلام. يحول Apache Flink البيانات ويثريها أثناء تدفقها، بينما توفر Lightning Tables وصولاً منخفض الكمون (وقت استجابة قصير جداً) إلى الحالة الحالية.

تأتي نماذج السلاسل الزمنية لتضاف إلى هذه البنية، إلى جانب نماذج اللغة الكبيرة، والنماذج الإحصائية، وأنظمة التعلم الآلي المتخصصة. توضح حالات الاستخدام الموصوفة في المقال هذا المزيج. في خط إنتاج الآيس كريم، تعتمد الجودة على الـ overrun، أي كمية الهواء المدمجة في الخليط. يقرأ نموذج TTM المدرب مسبقاً بيانات SCADA وقياسات مراقبة الجودة كل 10 دقائق، ويتنبأ بنسبة الحاويات المطابقة قبل أربع ساعات، مع نطاق احتمالي. عندما ينخفض هذا التنبؤ عن هدف المصنع، تقوم عملية تحسين بتقييم مجموعات من درجة حرارة السحب ومعدل تدفق الهواء. ويوافق المشغل على الإرشادات الموصى بها.

في مجال التوزيع، تنتج وظيفة AI_FORECAST، في المثال المقدم، توقعاً للطلب على مدى 28 يوماً مع نطاق P10–P90، يتم تحديثه مع وصول مبيعات جديدة. تحسب تطبيق تخطيط نقطة إعادة الطلب، ويمكن لوكيل إعداد أمر شراء يخضع للموافقة. في البنوك، تتم مقارنة كل دفعة بنطاق الإنفاق المتوقع بناءً على سجل البطاقة. يتم تمرير المعاملة التي تقع خارج هذا النطاق إلى أنظمة الاحتيال الحالية، والتي يمكنها الموافقة على الدفع، أو طلب مصادقة إضافية، أو تعميق الفحص. في التداول، يتنبأ نموذج PatchTST-FM بحجم التداول خلال الـ 30 دقيقة القادمة عند كل شمعة مدتها دقيقة.

في كل قطاع، يؤدي Streamhouse نفس العمل: ينفذ Flink نماذج Granite للتنبؤ، والكشف، والتحسين، وتتصرف وكلاء التدفق بناءً على السياق المباشر، ويقوم الأشخاص بالتحقق من الاستثناءات.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x