Streamhouse : los modelos de series temporales abren una nueva frontera de usos

Streamhouse : los modelos de series temporales abren una nueva frontera de usos
3 min de lectura

IBM y Confluent acercan los modelos de fundación para series temporales a los datos en flujo. Integrados de forma nativa en Confluent, tanto en la nube como en las instalaciones, estos modelos, cuya familia cuenta con cuatro modelos y más de 50 millones de descargas, funcionan en procesadores CPU, sin GPU (procesadores gráficos).

Toda empresa produce un flujo continuo de observaciones: una medida de máquina, un pago, una venta, un pedido o una variación de stock. Estas series temporales contienen señales que pueden ayudar a anticipar lo que sigue. El desafío consiste en transformarlas en decisiones mientras aún importan. Una previsión entregada después de una serie de producción, una ruptura de stock o una autorización de pago puede ser correcta, pero llegar demasiado tarde para influir en el resultado.

Los modelos de fundación, ya familiares para el texto, las imágenes y los documentos, aplican una idea similar a los datos numéricos. Aprenden tendencias generales a partir de datos históricos variados, y luego aplican este conocimiento a nuevas series. Así, se puede proporcionar un punto de partida sin necesidad de entrenar un modelo distinto para cada serie. Según la tarea y el despliegue, los equipos también pueden afinar el modelo (fine-tuning) o combinar sus resultados con otros datos y una lógica de negocio.

Concretamente, los modelos se ejecutan directamente en Confluent en forma de funciones integradas. En Confluent Cloud, están completamente gestionados y no requieren ningún despliegue. En las instalaciones, pueden funcionar en la infraestructura de la empresa gracias a Confluent Platform for Apache Flink. Flink, motor de procesamiento de flujos de datos, permite aplicar la previsión, la detección de anomalías y la inteligencia semántica a datos en continuo, mediante SQL.

Un Streamhouse para el contexto en tiempo real

Las empresas funcionan de forma continua, mientras que la información a menudo se reparte entre sistemas actualizados en momentos diferentes, o depende de procesamientos por lotes periódicos. El Streamhouse pretende capturar, procesar, gobernar y servir de forma continua este contexto de negocio actual. La plataforma Data Streaming de Confluent reúne cinco capacidades: connect, stream, process, govern y query. Apache Flink transforma y enriquece los datos a medida que circulan, mientras que las Lightning Tables ofrecen un acceso de baja latencia (tiempo de respuesta muy corto) al estado actual.

Los modelos de series temporales se suman a esta arquitectura, junto a grandes modelos de lenguaje, modelos estadísticos y sistemas de machine learning especializados. Los casos de uso descritos en el artículo ilustran esta combinación. En una línea de producción de helado, la calidad depende del overrun, es decir, de la cantidad de aire incorporado a la mezcla. Un modelo TTM preentrenado lee los datos SCADA y las medidas de control de calidad cada 10 minutos, y prevé la proporción de cubetas conformes cuatro horas antes, con un rango probable. Cuando esta previsión cae por debajo del objetivo de la fábrica, un proceso de optimización evalúa combinaciones de temperatura de extracción y caudal de aire. El operador aprueba las consignas recomendadas.

En la distribución, la función AI_FORECAST produce, en el ejemplo presentado, una previsión de la demanda para 28 días con un rango P10–P90, actualizada a medida que llegan las nuevas ventas. Una aplicación de planificación calcula un punto de reaprovisionamiento, y un agente puede preparar un pedido sometido a validación. En la banca, cada pago se compara con un rango de gastos esperados basado en el historial de la tarjeta. Una transacción fuera de este rango se transmite a los sistemas de fraude existentes, que pueden aprobar el pago, solicitar una autenticación adicional o profundizar el examen. Para el trading, el modelo PatchTST-FM prevé el volumen de intercambios en los próximos 30 minutos en cada vela de un minuto.

En cada sector, el Streamhouse hace el mismo trabajo: Flink ejecuta los modelos Granite para prever, detectar y optimizar, los agentes de streaming actúan sobre el contexto en vivo, y las personas validan las excepciones.

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