Streamhouse : os modelos de séries temporais abrem uma nova fronteira de utilizações

Streamhouse : os modelos de séries temporais abrem uma nova fronteira de utilizações
4 min de leitura

A IBM e a Confluent aproximam modelos de fundação para séries temporais dos dados em fluxo. Integrados nativamente na Confluent, na cloud ou no local, estes modelos, cuja família conta com quatro modelos e mais de 50 milhões de downloads, funcionam em processadores CPU, sem GPU (processadores gráficos).

Todas as empresas produzem um fluxo contínuo de observações: uma medição de máquina, um pagamento, uma venda, uma encomenda ou uma variação de stock. Estas séries temporais contêm sinais que podem ajudar a antecipar o que se segue. O desafio consiste em transformá-las em decisões enquanto ainda são relevantes. Uma previsão entregue após uma série de produção, uma rutura de stock ou uma autorização de pagamento pode ser precisa, mas chegar demasiado tarde para influenciar o resultado.

Os modelos de fundação, já familiares para o texto, as imagens e os documentos, aplicam uma ideia próxima aos dados numéricos. Eles aprendem tendências gerais a partir de dados históricos variados e depois aplicam esse conhecimento a novas séries. Um ponto de partida pode assim ser fornecido sem treinar um modelo distinto para cada série. Consoante a tarefa e a implementação, as equipas podem também afinar o modelo (fine-tuning) ou combinar os seus resultados com outros dados e uma lógica de negócio.

Concretamente, os modelos executam-se diretamente na Confluent sob a forma de funções integradas. Na Confluent Cloud, eles são totalmente geridos e não exigem qualquer implementação. No local, podem funcionar na infraestrutura da empresa graças à Confluent Platform for Apache Flink. O Flink, motor de processamento de fluxo de dados, permite aplicar a previsão, a deteção de anomalias e a inteligência semântica a dados em contínuo, com recurso a SQL.

Um Streamhouse para o contexto em tempo real

As empresas funcionam continuamente, enquanto a informação está muitas vezes distribuída por sistemas atualizados em momentos diferentes, ou depende de processamentos em lote periódicos. O Streamhouse visa capturar, processar, governar e servir continuamente este contexto de negócio atual. A plataforma Data Streaming da Confluent reúne cinco capacidades: connect, stream, process, govern e query. O Apache Flink transforma e enriquece os dados à medida que circulam, enquanto as Lightning Tables oferecem um acesso de baixa latência (tempo de resposta muito curto) ao estado corrente.

Os modelos de séries temporais vêm juntar-se a esta arquitetura, ao lado de grandes modelos de linguagem, de modelos estatísticos e de sistemas de machine learning especializados. Os casos de uso descritos pelo artigo ilustram esta combinação. Numa linha de produção de gelado, a qualidade depende do overrun, ou seja, da quantidade de ar incorporada na mistura. Um modelo TTM pré-treinado lê os dados SCADA e as medições de controlo de qualidade a cada 10 minutos, e prevê a percentagem de caixas conformes com quatro horas de antecedência, com uma margem provável. Quando esta previsão desce abaixo do objetivo da fábrica, um processo de otimização avalia combinações de temperatura de extração e caudal de ar. O operador aprova as instruções recomendadas.

Na distribuição, a função AI_FORECAST produz, no exemplo apresentado, uma previsão da procura para 28 dias com uma margem P10–P90, atualizada à medida que chegam novas vendas. Uma aplicação de planeamento calcula um ponto de reabastecimento, e um agente pode preparar uma ordem de compra sujeita a validação. Na banca, cada pagamento é comparado com uma gama de despesas esperadas com base no histórico do cartão. Uma transação fora desta gama é transmitida aos sistemas de fraude existentes, que podem aprovar o pagamento, pedir uma autenticação adicional ou aprofundar a análise. Para o trading, o modelo PatchTST-FM prevê o volume de trocas nos próximos 30 minutos a cada vela de um minuto.

Em cada setor, o Streamhouse faz o mesmo trabalho: o Flink executa os modelos Granite para prever, detetar e otimizar, agentes de streaming atuam sobre o contexto em direto, e pessoas validam as exceções.

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