Confluent 上の IBM Granite Time Series モデル

IBM と Confluent は、IBM Granite Time Series 基盤モデルを Confluent Cloud に統合しました。これにより、企業はストリーミングデータ上で直接、リアルタイムの予測と異常検知を実行できるようになります。この統合により、データシリーズごとに個別のモデルを開発する必要がなくなり、データを別の ML プラットフォームやデータウェアハウスに移動させる必要もなくなります。

Apache Flink によるストリームネイティブなインテリジェンス

IBM Granite Time Series モデルは、現在 Confluent Cloud で Early Access として利用可能であり、Apache Flink 内でネイティブに動作します。このアーキテクチャにより、モデルはデータが移動する場所で動作し、以下のような運用上の利点を提供します。

Zero Configuration: モデルのサービング、スケーリング、およびランタイム操作は Confluent によって管理されるため、ユーザーはプロバイダーの認証情報やグルーコードを管理することなく、Flink SQL から直接モデルを呼び出すことができます。
Stateful Processing: 予測と異常検知には「正常」な動作を定義するために直近の履歴が必要となるため、Flink はシリーズごとに必要なステートをフォールトトレラントな方法で管理し、呼び出しごとの個別のデータベースへのアクセスを不要にします。
Built-in Governance: 推論パイプラインは、Confluent プラットフォームの他の部分と同じスキーマ、リネージ、およびアクセス制御に従います。Kafka トピックは、結果が監査やモデル評価のために耐久性があり、再生可能であることを保証します。
Cost and Security Efficiency: ネイティブな推論により、専用の GPU インフラストラクチャが不要になり、クラウドのインバウンド/アウトバウンド料金も削減されます。同時に、データは Confluent Cloud の RBAC とプライバシーポリシー内に保持されます。

時系列基盤モデルのポートフォリオ

単一のモデルではなく、IBM はさまざまな意思決定ニーズに合わせて設計された 4 つの補完的な基盤モデルのポートフォリオを提供しています。これらは AI_FORECAST および AI_DETECT_ANOMALIES Flink SQL 関数を通じてアクセス可能です。

モデルの専門化

PatchTST-FM: シリーズをパッチ（LLM がテキストを読み取る方法と同様）として処理し、各変数を独自のチャネルに配置することで、ノイズの多い信号が他の変数に影響を与えるのを防ぎます。結果の完全な分布を提供するため、プランナーはパーセンタイル（例：第 90 パーセンタイル）に基づいてしきい値を設定できます。
FlowState: すべてのデータポイントで更新される実行中のサマリーを保持します。その連続時間ダイナミクスにより、秒レベルの SCADA データから時間単位の市場データまで、さまざまな頻度を扱うことができます。
TTM: アテンションメカニズムの代わりに、時間と変数にわたる小さな混合ネットワーク（tiny mixing networks）を利用します。これにより、100 万パラメータのモデルが、CPU 上で毎晩数十万のシリーズをカバーすることが可能になります。
TSPulse: 時間と周波数の両方のビューを組み合わせた小型のマルチタスクモデルであり、異常検知、分類、ギャップ埋め、および類似性検索（「以前にこれを見たことがあるか」）に特化して最適化されています。

エンタープライズ・アプリケーション・レーン

この統合は、ビジネスイベントから実行可能なレスポンスまでの時間を短縮する 4 つの主要な技術的能力に焦点を当てています。

予測と計画

基盤モデルを使用することで、未知のシリーズに対して単一の共有モデルが即座に機能する「モデルファクトリー」アプローチが可能になります。これは、製品カタログの「テイル」部分、つまり個別のモデルを構築するのが高コストすぎる製品に対して特に効果的です。単一の行ではなく分布を出力することで、これらのモデルはより正確なサービスレベルポリシーを可能にし、欠品を減らし、運転資本を解放します。

異常検知

エンティティ（クレジットカードやセンサーなど）ごとに「正常」な状態を維持することで、モデルは決済やテレメトリをストリーミング中にスコアリング・スローイングできます。基盤モデルであるため、ラベル付きの履歴データがなくても、新製品や新しい資産タイプに対して初日から保護を提供します。進化する不正パターンや攻撃シグネチャに適応するために、企業の自社ストリーム上で継続的に再適合（refit）させることが可能です。

生産性の最適化

産業用設定において、これらのモデルはシミュレーターとして機能します。制御可能な変数（例：温度、速度）を条件として、エンジニアは結果を予測し、オプティマイザーを使用して特定の KPI を達成するための最適な設定値を探索できます。IBM は、このアプローチが従来の個別モデルによるモデリングによるものと比較して、5 倍から 10 倍の生産性向上をもたらす可能性があると報告しています。

セマンティック・インテリジェンス

モデルは、時間と周波数のウィンドウ内の形状を捉えるコンパクトなベクトルである埋め込み（embeddings）を使用します。これらにより、システムは現在のストリーミング・ウィンドウを過去のエピソードと照合して、前例を探すことができます。これにより、類似のドリフト（変動）に対する過去の修正策の取得や、類似の不正ケースの検討が可能になり、AI エージェントが行動する前にコンテキストをテキストとして提供します。