Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Modeli vremennyh ryadov v streamhouse novye gorizonty i varianty ispolzovaniya
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Модели временных рядов в Streamhouse: новые горизонты и варианты использования

Источник: Hugging Face•18 ноября 2026 г. в 15:04

Модели временных рядов в Streamhouse: новые горизонты и варианты использования

Запись в блоге IBM Research на Hugging Face

Прогнозирование в реальном времени, обнаружение аномалий и оптимизация на базе моделей временных рядов IBM, которые были загружены более 50 миллионов раз. Теперь доступны нативно в Confluent, в облаке и локально, с запуском на процессорах (CPU).

Любой бизнес генерирует непрерывный поток изменений: показания датчиков, платежи, продажи, заказы или изменения складских запасов. Эти наблюдения формируют временные ряды, содержащие сигналы, которые помогают командам предвидеть дальнейшее развитие событий.

Задача состоит в том, чтобы превратить эти сигналы в решения, пока они еще актуальны. Прогноз, полученный после завершения производственного цикла, возникновения дефицита товара или авторизации платежа, может быть точным, но слишком запоздалым, чтобы повлиять на результат.

IBM и Confluent приближают базовые модели временных рядов к данным непосредственно в процессе их потоковой передачи. С помощью Apache Flink команды могут применять прогнозирование, обнаружение аномалий и семантический анализ к потоковым данным, используя SQL, что делает результаты работы моделей доступными для приложений и сотрудников, ответственных за принятие дальнейших мер.

Базовые модели изменили то, как организации работают с текстом, изображениями и документами. Базовые модели временных рядов распространяют аналогичный подход на числовые данные, изучая общие закономерности на основе разнообразных исторических данных, а затем применяя эти знания к новым рядам и задачам. Модели могут служить отправной точкой, избавляя команды от необходимости обучать отдельную модель для каждого ряда. В зависимости от задачи и развертывания, команды также могут дообучать модель или комбинировать ее результаты с другими данными и бизнес-логикой.

Рисунок 1. Более 50 миллионов загрузок и семейство из четырех моделей, стоящих за ними.

Теперь базовые модели временных рядов работают нативно внутри Confluent в качестве встроенных функций в облаке и локально. В Confluent Cloud они полностью управляются, и их не нужно развертывать documentation. Локально модели могут работать в вашей собственной инфраструктуре с использованием Confluent Platform для Apache Flink documentation. Модели работают на процессорах (CPU), не требуя графических процессоров (GPU).

Модели поддерживают широкий спектр критически важных вариантов использования: от контроля соответствия производственных линий спецификациям и обнаружения необычной активности в магазинах до улучшения планирования на уровне продуктов. Они также могут предоставлять сигналы для оценки карточных платежей и прогнозирования объемов торгов для размещения крупных заказов. Эти строительные блоки применимы в производстве, розничной торговле, банковском деле и авиации, позволяя получать аналитические данные там, где принимаются решения.

Узнайте, как временные ряды и контекст реального времени объединяются для создания ценности:

Streamhouse: данные и интеллект в реальном времени для эпохи агентов

Бизнес работает непрерывно. Заказы обновляются, платежи поступают, поставки задерживаются, а запасы меняются в течение дня. Тем не менее, информация, стоящая за этими событиями, часто разбросана по системам, которые обновляются в разное время или полагаются на периодические пакетные процессы. Когда приложения и ИИ-агенты действуют на основе устаревшей или несогласованной информации, они рискуют принимать решения, которые больше не отражают реальное положение дел.

Streamhouse решает эту проблему путем непрерывного сбора, обработки, управления и предоставления актуального бизнес-контекста. Платформа потоковой передачи данных Confluent объединяет пять возможностей — подключение, потоковая передача, обработка, управление и запрос — чтобы сделать этот контекст доступным для приложений, аналитики и агентов. Apache Flink преобразует и обогащает данные по мере их поступления, а Lightning Tables обеспечивают доступ к текущему состоянию с низкой задержкой.

Рисунок 2. Streamhouse на Confluent: от существующих источников данных до актуального бизнес-контекста, который используют агенты, приложения, аналитика и озера данных.

Модели временных рядов добавляют прогностическую мощь в эту архитектуру. Flink может подготовить данные, вызвать функции прогнозирования и обнаружения аномалий, а также сделать результаты доступными вместе с событиями, которые их породили. Другие модели, включая большие языковые модели, статистические модели и специализированные системы машинного обучения, могут быть задействованы там, где это уместно.

Рисунок 3. Интеллектуальный уровень Streamhouse: модели временных рядов, большие языковые модели, а также модели машинного обучения и статистические модели с оркестрацией между ними.

Этот подход помогает командам тремя способами:

- Масштабирование разработки моделей. Предварительно обученная модель может стать общей отправной точкой для множества временных рядов, сокращая необходимость разработки и поддержки отдельной модели для каждого из них.

- Обновление прогнозов по мере изменения данных. Прогнозы могут включать недавние наблюдения как часть потокового рабочего процесса в соответствии с требованиями модели и конфигурацией конвейера.

- Приближение сигналов к моменту принятия решений. Прогнозы и аномалии могут быстрее направляться в операционные приложения, где команды могут объединить их с бизнес-контекстом, правилами и человеческим суждением.

- Запуск компактных моделей на процессорах (CPU). Модели достаточно малы, чтобы работать на стандартных процессорах параллельно с потоковым конвейером в облаке или локально, что снижает потребность в выделенной инфраструктуре GPU и упрощает развертывание.

Рисунок 4. Потоковый интеллект временных рядов на Confluent

Критически важные варианты использования в реальных предприятиях

Следующие сценарии иллюстрируют, как организации могут комбинировать модели временных рядов, потоковые данные и логику приложений.

Вариант использования 1 | Оптимизация производства: каждая упаковка в рамках спецификации

Качество линии по производству мороженого зависит от «оверрана» — количества воздуха, взбитого в смесь. Сегодня инженер-технолог и оператор полагаются на лабораторные измерения качества, проводимые после наполнения упаковок. Если новая партия сливок или жаркий влажный день меняют процесс, к моменту, когда команда увидит результат, часы производства, возможно, уже потребуют переработки.

Чтобы предотвратить проблему, предварительно обученная модель TTM считывает телеметрию SCADA и измерения качества каждые 10 минут. Она прогнозирует долю упаковок, которые, как ожидается, будут соответствовать спецификации через четыре часа, вместе с вероятным диапазоном.

Когда прогноз падает ниже целевого показателя завода, процесс оптимизации оценивает комбинации температуры заморозки и воздушного потока. Поскольку модель принимает эти управляющие переменные в качестве входных данных, она может оценить каждый вариант до того, как что-либо изменится на линии. Оператор утверждает рекомендуемые уставки, в то время как рутинные корректировки могут быть автоматизированы в рамках заранее определенных ограничений.

Результатом является более проактивный процесс: меньше переработок, меньшее потребление энергии на тонну и более стабильное качество. Тот же подход можно применить к печам, сушилкам, обжиговым печам и мельницам.

Рисунок 5. Прогноз качества продукта помогает оператору оценить уставки морозильной камеры перед внесением корректировок.

Вариант использования 2 | Обнаружение аномалий: от сигнала к правильному действию

Команда по управлению магазинами отслеживает продажи тысяч товаров в сотнях магазинов. Фиксированные пороговые значения часто отмечают предсказуемые пики выходных дней, пропуская при этом более тихие изменения, например, когда товар продается хуже, чем ожидалось. По мере накопления оповещений команде становится сложнее понять, на чем сосредоточиться.

AI_DETECT_ANOMALIES дает каждому ряду продаж ожидаемый диапазон на основе его недавней истории. Каждое новое показание сравнивается с этим диапазоном с уровнем достоверности, который выбирает команда, без необходимости обучения отдельной модели для каждого товара и магазина.

Когда продажи выходят за рамки ожидаемого диапазона, этот сигнал можно объединить с данными об инвентаре и магазинах, чтобы помочь выявить вероятную причину и порекомендовать дальнейшие действия — например, проверить полку или пополнить запасы. Тот же подход применим к датчикам машин, телеметрии API, показаниям счетчиков и объемам платежей.

Рисунок 6. Продажи в магазине сравниваются с ожидаемым диапазоном. На представленном графике повторяющиеся пики остаются в пределах диапазона, и аномалии не фиксируются.

Вариант использования 3 | Планирование цепочки поставок: каждая товарная позиция (SKU), каждый магазин, каждый час

Категорийному менеджеру и группе по пополнению запасов необходимо обеспечивать наличие продуктов во всех магазинах, не допуская избыточных запасов. Однако прогнозы могут обновляться лишь раз в неделю, часто концентрируясь на самых продаваемых товарах, в то время как длинный хвост управляется с помощью более простых правил. Когда схемы продаж меняются между циклами планирования, в одном магазине может возникнуть дефицит, а в другом — избыток запасов.

С помощью AI_FORECAST предобученная модель может прогнозировать спрос по продуктам и магазинам. В этом примере она создает 28-дневный прогноз с диапазоном P10–P90, который обновляется по мере поступления новых данных о продажах. Приложение планирования объединяет прогноз с данными об инвентаре, времени выполнения заказа и выбранном плановиком уровне обслуживания для расчета точки перезаказа.

Когда прогнозируется падение запасов ниже этой точки, агент может составить проект заказа на поставку для проверки. Тот же подход может поддерживать планирование запчастей, численности персонала, наличности в банкоматах и энергопотребления.

Рисунок 7. Прогноз спроса на уровне магазина определяет точку перезаказа и предлагаемый заказ на поставку овсяного молока.

Вариант использования 4 | Мошенничество и безопасность: у каждой карты своя норма

Отделы по борьбе с мошенничеством уже полагаются на сложные правила и модели для оценки транзакций. Одной из сохраняющихся проблем является то, что порог, применяемый ко многим держателям карт, может не отражать индивидуальные особенности расходов каждого человека.

Сигнал временного ряда может добавить этот индивидуальный контекст. В этом примере каждый платеж сравнивается с ожидаемым диапазоном расходов на основе недавней истории карты. Транзакция за пределами этого диапазона передается в существующие системы защиты банка от мошенничества в качестве дополнительного ввода наряду с другими сигналами и бизнес-правилами.

Затем банк может решить, одобрить ли платеж, запросить ли дополнительную аутентификацию или провести дальнейшее расследование. Решение и стоящие за ним сигналы могут быть сохранены для проверки.

Рисунок 8. Платеж за пределами ожидаемого для карты диапазона расходов вызывает расширенную аутентификацию в иллюстративном рабочем процессе предотвращения мошенничества.

Вариант использования 5 | Трейдинг: синхронизация ордера с лентой сделок

Трейдеру исполнения необходимо разделить крупный ордер на более мелкие сделки, управляя при этом их влиянием на рынок. Исторические кривые объемов служат отправной точкой, однако сегодняшняя торговая активность может существенно отличаться от средней.

На каждом одноминутном баре PatchTST-FM прогнозирует объем торгов на следующие 30 минут с диапазоном P10–P90. Алгоритм исполнения использует этот прогноз для распределения ордера в рамках лимита участия, заданного торговым столом.

Если новостное событие меняет рыночную активность, алгоритм может сделать паузу и перепланировать действия. Если торги идут тише, чем ожидалось, он может уменьшить размер каждого фрагмента и подать сигнал о том, что на выполнение ордера может уйти больше времени. Каждый прогноз и полученные в результате решения об исполнении могут сохраняться в контрольном журнале (аудиторском следе).

Рисунок 9. Прогноз объема определяет предлагаемый график исполнения для ордера на 100 000 акций.

Вариант использования 6 | Семантический поиск: найти каждый сигнал, похожий на этот

Инженер по надежности, расследующий необычную работу датчика, может захотеть узнать, наблюдалось ли похожее поведение в других частях предприятия.

TSPulse может создавать представления окон временных рядов, поддерживающие поиск по схожести. В отдельно созданном приложении эти представления могут быть проиндексированы и использованы для извлечения исторических паттернов по всему оборудованию. Инженер может искать такие формы, как всплеск и восстановление, постепенный рост или ступенчатое изменение, а затем изучать связанные с ними записи о техническом обслуживании и условиях эксплуатации.

Это приложение требует конвейера встраивания (embedding pipeline), индекса и доступа к соответствующему контексту. Сходство может помочь сузить круг расследования, но само по себе оно не устанавливает первопричину.

Рисунок 10. Векторные представления (эмбеддинги) временных рядов могут поддерживать поиск похожих паттернов по оборудованию и другим сигналам.

Отраслевые приложения

Одни и те же модели и строительные блоки могут поддерживать различные рабочие процессы в разных отраслях:

  • Промышленный ИИ: от датчика до уставки. Управляющий предприятием хочет, чтобы каждая партия соответствовала спецификациям, а линии не останавливались из-за неожиданностей. Потоки SCADA, лаборатории контроля качества и счетчиков энергии прогнозируются по мере их поступления. Оптимизация производства изменяет уставки при начале дрейфа качества, обнаружение аномалий фиксирует показания, для которых не было написано ни одного правила, а семантический поиск находит каждый насос, продемонстрировавший тот же паттерн перед отказом. Уставки, наряды на работу и оповещения поступают в цех в рамках цикла, а не в отчете за следующую смену.

Рисунок 11. Цифровой двойник завода: от датчика до уставки. Новая партия крема отклоняет взбитость от целевого значения. Прогноз считывает состояние линии, агент предлагает новую температуру вытяжки и подачу воздуха, оператор одобряет, и ванны снова соответствуют спецификации. Смоделированные данные.

  • Розничная торговля: магазин и его цепочка поставок. Управляющий магазином хочет видеть полку полной в субботу и избежать затоваривания в понедельник. Потоки продаж, погоды и акций прогнозируются для каждого продукта в каждом магазине. Планирование цепочки поставок устанавливает заказ, обнаружение аномалий улавливает пустую полку или пропущенную доставку, а модуль мошенничества и безопасности задерживает подозрительную карту. Заказы, задачи магазина и удержания отправляются до того, как полка опустеет.

Рисунок 12. Цифровой двойник магазина и его цепочка поставок. Ожидается промо-акция на овсяное молоко. Прогноз учитывает цену промо-акции и устанавливает точку перезаказа, агент формирует заказ на поставку, плановик одобряет, и полка заполнена в день акции. Смоделированные данные.

  • Банковское дело: платежи и торговый стол. Руководитель направления по борьбе с мошенничеством хочет остановить тестирование карт без блокировки добросовестных клиентов, а трейдер хочет выполнить крупный ордер без изменения цены. Каждая карта и каждый символ оцениваются по их собственному ожидаемому паттерну, событие за событием. Система мошенничества и безопасности задерживает странное проведение карты до авторизации, обнаружение аномалий замечает необычный поток, а трейдинг соизмеряет каждый ордер с прогнозируемым объемом.

Банковское дело: платежи и торговый стол. Руководитель направления по борьбе с мошенничеством хочет остановить тестирование карт без блокировки добросовестных клиентов, а трейдер хочет выполнить крупный ордер без изменения цены. Каждая карта и каждый символ оцениваются по их собственному ожидаемому паттерну, событие за событием. Система мошенничества и безопасности задерживает странное проведение карты до авторизации, обнаружение аномалий замечает необычный поток, а трейдинг соизмеряет каждый ордер с прогнозируемым объемом.

  • Авиакомпании: узловые операции, парк самолетов и сеть. Операционный контроль хочет предвидеть сбои в работе, пока еще есть время для принятия мер. Потоки данных двигателей, выходов на посадку и сети прогнозируются и проверяются в реальном времени. Обнаружение аномалий улавливает дрейф показаний двигателя, оптимизация производства перераспределяет выходы на посадку и экипажи, а планирование цепочки поставок доставляет запасную часть туда, где окажется воздушное судно.

Авиакомпании: хабовые операции, парк воздушных судов и маршрутная сеть. Операционный контроль стремится предвидеть сбои в расписании, пока еще есть время принять меры. Потоки данных по двигателям, выходам на посадку и сети прогнозируются и проверяются в реальном времени. Обнаружение аномалий фиксирует отклонения в показателях двигателей, оптимизация производства перераспределяет выходы на посадку и экипажи, а планирование цепочки поставок доставляет запасную деталь туда, где окажется воздушное судно.

В любой отрасли Streamhouse выполняет ту же работу: Flink запускает модели Granite для прогнозирования, обнаружения и оптимизации, потоковые агенты (Streaming Agents) действуют на основе контекста в реальном времени, а люди утверждают исключения.

Изучите модели на Confluent, чтобы узнать, как аналитика временных рядов может поддерживать принятие решений в реальном времени.

  • Код и блокноты: github.com/ibm-granite/granite-tsfm

Код и блокноты:

  • Интеллектуальный анализ в реальном времени с использованием моделей временных рядов IBM на Confluent

Интеллектуальный анализ в реальном времени с использованием моделей временных рядов IBM на Confluent

  • Ансамблевое прогнозирование с помощью моделей временных рядов IBM Granite

Ансамблевое прогнозирование с помощью моделей временных рядов IBM Granite

  • IBM выпускает передовую (SOTA) модель временных рядов Granite Time Series PatchTST-FM-r2 с лицензией, благоприятной для коммерческого использования

IBM выпускает передовую (SOTA) модель временных рядов Granite Time Series PatchTST-FM-r2 с лицензией, благоприятной для коммерческого использования

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
H2O.ai назначает Стивена Ваттуоне на должность финансового директора
H2O.ai

H2O.ai назначает Стивена Ваттуоне на должность финансового директора

Стоит ли использовать модель эмбеддингов, настроенную на код? papr-embed-code-1 в Qdrant
Qdrant

Стоит ли использовать модель эмбеддингов, настроенную на код? papr-embed-code-1 в Qdrant

Ai2 и Taylor Geospatial объявляют о партнерстве для упрощения сравнения, запуска и разработки геопространственного ИИ
AI2 (Allen Institute for AI)

Ai2 и Taylor Geospatial объявляют о партнерстве для упрощения сравнения, запуска и разработки геопространственного ИИ

LangSmith для агентов по написанию кода: теперь отслеживайте расходы по результатам
LangChain

LangSmith для агентов по написанию кода: теперь отслеживайте расходы по результатам

Rumble-2-Flash: открытая речевая модель 0.5B для 40+ языков
Hugging Face

Rumble-2-Flash: открытая речевая модель 0.5B для 40+ языков

Компактные настольные ПК NVIDIA RTX Spark уже в продаже
NVIDIA

Компактные настольные ПК NVIDIA RTX Spark уже в продаже

Ещё от Hugging Face

Rumble-2-Flash: открытая речевая модель 0.5B для 40+ языков
Hugging Face

Rumble-2-Flash: открытая речевая модель 0.5B для 40+ языков

Hugging Face и OpenRouter объединяют усилия для упрощения запуска моделей с открытыми весами
Hugging Face

Hugging Face и OpenRouter объединяют усилия для упрощения запуска моделей с открытыми весами

Создание симуляции захвата и перемещения роботом с использованием активов SimReady
Hugging Face

Создание симуляции захвата и перемещения роботом с использованием активов SimReady

XYBench: Решение проблемы, стоящей за вопросом
Hugging Face

XYBench: Решение проблемы, стоящей за вопросом

llama.cpp v1.0.0: более прочная основа для экосистемы локального ИИ
Hugging Face

llama.cpp v1.0.0: более прочная основа для экосистемы локального ИИ

Генеральный директор Hugging Face пообещал продолжить борьбу за открытый ИИ после ухода Дженсена ХуангаПресса
Hugging Face

Генеральный директор Hugging Face пообещал продолжить борьбу за открытый ИИ после ухода Дженсена Хуанга