Streamhouse : les modèles de séries temporelles ouvrent une nouvelle frontière d’usages

Streamhouse : les modèles de séries temporelles ouvrent une nouvelle frontière d’usages
4 min de lecture

IBM et Confluent rapprochent des modèles de fondation pour séries temporelles des données en flux. Intégrés nativement à Confluent, dans le cloud comme sur site, ces modèles, dont la famille compte quatre modèles et plus de 50 millions de téléchargements, fonctionnent sur des processeurs CPU, sans GPU (processeurs graphiques).

Toute entreprise produit un flux continu d’observations : une mesure de machine, un paiement, une vente, une commande ou une variation de stock. Ces séries temporelles contiennent des signaux qui peuvent aider à anticiper la suite. Le défi consiste à les transformer en décisions pendant qu’elles comptent encore. Une prévision livrée après une série de production, une rupture de stock ou une autorisation de paiement peut être juste, mais arriver trop tard pour influer sur le résultat.

Les modèles de fondation, déjà familiers pour le texte, les images et les documents, appliquent une idée proche aux données numériques. Ils apprennent des tendances générales à partir de données historiques variées, puis appliquent ce savoir à de nouvelles séries. Un point de départ peut ainsi être fourni sans entraîner un modèle distinct pour chaque série. Selon la tâche et le déploiement, les équipes peuvent aussi affiner le modèle (fine-tuning) ou combiner ses résultats avec d’autres données et une logique métier.

Concrètement, les modèles s’exécutent directement dans Confluent sous forme de fonctions intégrées. Dans Confluent Cloud, ils sont entièrement gérés et ne demandent aucun déploiement. Sur site, ils peuvent tourner dans l’infrastructure de l’entreprise grâce à Confluent Platform for Apache Flink. Flink, moteur de traitement de flux de données, permet d’appliquer la prévision, la détection d’anomalies et l’intelligence sémantique à des données en continu, à l’aide de SQL.

Un Streamhouse pour le contexte en temps réel

Les entreprises fonctionnent en continu, alors que les informations sont souvent réparties entre des systèmes mis à jour à des moments différents, ou dépendent de traitements par lots périodiques. Le Streamhouse vise à capturer, traiter, gouverner et servir en continu ce contexte métier actuel. La plateforme Data Streaming de Confluent réunit cinq capacités : connect, stream, process, govern et query. Apache Flink transforme et enrichit les données au fil de leur circulation, tandis que les Lightning Tables offrent un accès à faible latence (temps de réponse très court) à l’état courant.

Les modèles de séries temporelles viennent s’ajouter à cette architecture, aux côtés de grands modèles de langage, de modèles statistiques et de systèmes de machine learning spécialisés. Les cas d’usage décrits par l’article illustrent cette combinaison. Dans une ligne de production de crème glacée, la qualité dépend de l’overrun, c’est-à-dire de la quantité d’air incorporée au mélange. Un modèle TTM pré-entraîné lit les données SCADA et les mesures de contrôle qualité toutes les 10 minutes, et prévoit la part de bacs conformes quatre heures à l’avance, avec une fourchette probable. Lorsque cette prévision passe sous la cible de l’usine, un processus d’optimisation évalue des combinaisons de température de tirage et de débit d’air. L’opérateur approuve les consignes recommandées.

Dans la distribution, la fonction AI_FORECAST produit, dans l’exemple présenté, une prévision de la demande sur 28 jours avec une fourchette P10–P90, mise à jour à mesure que arrivent les nouvelles ventes. Une application de planification calcule un point de réapprovisionnement, et un agent peut préparer un bon de commande soumis à validation. Dans la banque, chaque paiement est comparé à une plage de dépenses attendues fondée sur l’historique de la carte. Une transaction hors de cette plage est transmise aux systèmes de fraude existants, qui peuvent approuver le paiement, demander une authentification supplémentaire ou approfondir l’examen. Pour le trading, le modèle PatchTST-FM prévoit le volume d’échanges sur les 30 prochaines minutes à chaque bougie d’une minute.

Dans chaque secteur, le Streamhouse fait le même travail : Flink exécute les modèles Granite pour prévoir, détecter et optimiser, des agents de streaming agissent sur le contexte en direct, et des personnes valident les exceptions.

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