IBM i Confluent zbliżają modele fundacyjne dla szeregów czasowych do danych strumieniowych. Zintegrowane natywnie z Confluent, w chmurze i lokalnie, te modele, których rodzina liczy cztery modele i ponad 50 milionów pobrań, działają na procesorach CPU, bez GPU (procesorów graficznych).
Każda firma generuje ciągły strumień obserwacji: pomiar maszyny, płatność, sprzedaż, zamówienie czy zmiana stanu magazynowego. Te szeregi czasowe zawierają sygnały, które mogą pomóc przewidzieć dalszy rozwój sytuacji. Wyzwaniem jest przekształcenie ich w decyzje, gdy jeszcze mają znaczenie. Prognoza dostarczona po serii produkcyjnej, braku w magazynie lub autoryzacji płatności może być trafna, ale przyjść zbyt późno, aby wpłynąć na wynik.
Modele fundacyjne, już znane z tekstu, obrazów i dokumentów, stosują podobną ideę do danych liczbowych. Uczą się ogólnych trendów z różnorodnych danych historycznych, a następnie stosują tę wiedzę do nowych szeregów. Punkt wyjścia można więc zapewnić bez konieczności trenowania oddzielnego modelu dla każdego szeregu. W zależności od zadania i wdrożenia, zespoły mogą również dostosować model (fine-tuning) lub połączyć jego wyniki z innymi danymi i logiką biznesową.
Konkretnie, modele działają bezpośrednio w Confluent jako zintegrowane funkcje. W Confluent Cloud są w pełni zarządzane i nie wymagają żadnego wdrożenia. Lokalnie mogą działać w infrastrukturze przedsiębiorstwa dzięki Confluent Platform for Apache Flink. Flink, silnik przetwarzania strumieniowego, pozwala stosować prognozowanie, wykrywanie anomalii i inteligencję semantyczną do danych strumieniowych, za pomocą SQL.
Streamhouse dla kontekstu w czasie rzeczywistym
Firmy działają w sposób ciągły, podczas gdy informacje są często rozproszone między systemami aktualizowanymi w różnych momentach lub zależą od okresowych przetwarzań wsadowych. Streamhouse ma na celu ciągłe przechwytywanie, przetwarzanie, zarządzanie i udostępnianie tego aktualnego kontekstu biznesowego. Platforma Data Streaming firmy Confluent łączy pięć możliwości: connect, stream, process, govern i query. Apache Flink przekształca i wzbogaca dane w miarę ich przepływu, podczas gdy Lightning Tables zapewniają dostęp o niskich opóźnieniach (bardzo krótki czas odpowiedzi) do bieżącego stanu.
Modele szeregów czasowych dołączają do tej architektury, obok dużych modeli językowych, modeli statystycznych i wyspecjalizowanych systemów uczenia maszynowego. Przedstawione w artykule przypadki użycia ilustrują to połączenie. W linii produkcyjnej lodów, jakość zależy od overrun, czyli ilości powietrza wmieszanego do mieszanki. Wstępnie wytrenowany model TTM odczytuje dane SCADA i pomiary kontroli jakości co 10 minut i prognozuje odsetek zgodnych pojemników z czterogodzinnym wyprzedzeniem, z podanym prawdopodobnym zakresem. Gdy prognoza spada poniżej celu zakładu, proces optymalizacji ocenia kombinacje temperatury ciągnienia i przepływu powietrza. Operator zatwierdza zalecane ustawienia.
W dystrybucji, funkcja AI_FORECAST generuje, w przedstawionym przykładzie, 28-dniową prognozę popytu z zakresem P10–P90, aktualizowaną w miarę napływu nowych sprzedaży. Aplikacja planistyczna oblicza punkt ponownego zamówienia, a agent może przygotować zlecenie zakupu do zatwierdzenia. W bankowości, każda płatność jest porównywana z oczekiwanym zakresem wydatków opartym na historii karty. Transakcja wykraczająca poza ten zakres jest przekazywana do istniejących systemów wykrywania oszustw, które mogą zatwierdzić płatność, zażądać dodatkowego uwierzytelnienia lub pogłębić analizę. W handlu, model PatchTST-FM prognozuje wolumen transakcji na kolejne 30 minut dla każdej jednominutowej świecy.
W każdej branży Streamhouse wykonuje tę samą pracę: Flink uruchamia modele Granite do prognozowania, wykrywania i optymalizacji, agenci strumieniowi działają na żywym kontekście, a ludzie zatwierdzają wyjątki.
