Streamhouse : Zeitreihenmodelle eröffnen neue Anwendungsgrenzen

Streamhouse : Zeitreihenmodelle eröffnen neue Anwendungsgrenzen
3 Minuten Lesezeit

IBM und Confluent bringen Foundation-Modelle für Zeitreihen näher an die Streaming-Daten. Diese Modelle, die nativ in Confluent integriert sind – sowohl in der Cloud als auch On-Premise – und zu einer Familie mit vier Modellen und über 50 Millionen Downloads gehören, laufen auf CPU-Prozessoren ohne GPU (Grafikprozessoren).

Jedes Unternehmen erzeugt einen kontinuierlichen Strom von Beobachtungen: eine Maschinenmessung, eine Zahlung, ein Verkauf, eine Bestellung oder eine Lagerbestandsänderung. Diese Zeitreihen enthalten Signale, die helfen können, das Kommende vorauszusehen. Die Herausforderung besteht darin, sie in Entscheidungen umzuwandeln, solange sie noch relevant sind. Eine Prognose, die nach einer Produktionsserie, einem Lagerausfall oder einer Zahlungsgenehmigung geliefert wird, mag korrekt sein, kommt aber zu spät, um das Ergebnis zu beeinflussen.

Foundation-Modelle, bereits bekannt für Text, Bilder und Dokumente, wenden eine ähnliche Idee auf numerische Daten an. Sie lernen allgemeine Trends aus verschiedenen historischen Daten und wenden dieses Wissen dann auf neue Reihen an. So kann ein Ausgangspunkt geliefert werden, ohne für jede Reihe ein separates Modell trainieren zu müssen. Je nach Aufgabe und Einsatz können Teams das Modell auch nachtrainieren (Fine-Tuning) oder seine Ergebnisse mit anderen Daten und Geschäftslogik kombinieren.

Konkret laufen die Modelle direkt in Confluent als integrierte Funktionen. In Confluent Cloud werden sie vollständig verwaltet und erfordern keine Bereitstellung. On-Premise können sie in der Unternehmensinfrastruktur mit Confluent Platform for Apache Flink laufen. Flink, eine Engine für die Verarbeitung von Datenströmen, ermöglicht es, Vorhersagen, Anomalieerkennung und semantische Intelligenz auf kontinuierliche Datenströme mit SQL anzuwenden.

Ein Streamhouse für Kontext in Echtzeit

Unternehmen arbeiten kontinuierlich, während Informationen oft auf Systeme verteilt sind, die zu unterschiedlichen Zeiten aktualisiert werden, oder von periodischen Batch-Verarbeitungen abhängen. Das Streamhouse zielt darauf ab, diesen aktuellen Geschäftskontext kontinuierlich zu erfassen, zu verarbeiten, zu verwalten und bereitzustellen. Die Data-Streaming-Plattform von Confluent vereint fünf Fähigkeiten: Connect, Stream, Process, Govern und Query. Apache Flink transformiert und bereichert Daten während ihres Flusses, während Lightning Tables einen Zugang mit niedriger Latenz (sehr kurze Antwortzeit) zum aktuellen Zustand bieten.

Die Zeitreihenmodelle kommen zu dieser Architektur hinzu, neben großen Sprachmodellen, statistischen Modellen und spezialisierten Machine-Learning-Systemen. Die im Artikel beschriebenen Anwendungsfälle veranschaulichen diese Kombination. In einer Produktionslinie für Speiseeis hängt die Qualität vom Overrun ab, also von der Menge an Luft, die in die Mischung eingearbeitet wird. Ein vortrainiertes TTM-Modell liest SCADA-Daten und Qualitätskontrollmessungen alle 10 Minuten und sagt den Anteil konformer Behälter vier Stunden im Voraus mit einer wahrscheinlichen Spanne voraus. Wenn diese Prognose unter das Ziel der Fabrik fällt, bewertet ein Optimierungsprozess Kombinationen von Ziehtemperatur und Luftdurchsatz. Der Bediener genehmigt die empfohlenen Sollwerte.

Im Vertrieb erzeugt die Funktion AI_FORECAST im vorgestellten Beispiel eine 28-Tage-Nachfrageprognose mit einer P10–P90-Spanne, die aktualisiert wird, sobald neue Verkäufe eingehen. Eine Planungsanwendung berechnet einen Nachbestellpunkt, und ein Agent kann einen zur Genehmigung vorzulegenden Bestellschein vorbereiten. Im Bankwesen wird jede Zahlung mit einem auf der Kartennutzungshistorie basierenden erwarteten Ausgabenbereich verglichen. Eine Transaktion außerhalb dieses Bereichs wird an bestehende Betrugssysteme weitergeleitet, die die Zahlung genehmigen, eine zusätzliche Authentifizierung anfordern oder eine genauere Prüfung veranlassen können. Für den Handel sagt das Modell PatchTST-FM das Handelsvolumen für die nächsten 30 Minuten bei jeder Ein-Minuten-Kerze voraus.

In jedem Sektor leistet das Streamhouse die gleiche Arbeit: Flink führt die Granite-Modelle aus, um vorherzusagen, zu erkennen und zu optimieren, Streaming-Agenten agieren auf dem Live-Kontext, und Personen validieren die Ausnahmen.

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