NVIDIA Kumo Forecast: 사전 학습된 시계열 백본과 과거 패턴 검색 및 해석 가능성

NVIDIA Kumo Forecast(이전 명칭: NV-Tesseract Forecasting)는 사전 학습된 Transformer 백본과 DARR(Domain-Aware Representation and Retrieval)을 결합한 다변량 시계열 예측 모델입니다. DARR은 직접적인 모델 예측과 과거 데이터에서 검색된 패턴을 혼합하여 예측과 함께 해석 가능한 설명을 제공합니다. 이 모델은 예측을 사전 학습된 표현과 현재 애플리케이션의 과거 관측치라는 두 가지 정보 소스로 분리하고, 개발자가 최종 예측에서 각 소스에 얼마나 의존할지 조정할 수 있게 하며, 기본 예측 모델을 변경하지 않고도 해석 가능성 계층을 추가할 수 있다는 점에서 중요합니다.

Kumo Forecast란 무엇인가

Kumo Forecast는 Apache 2.0 라이선스로 릴리스되었으며 모델 코드와 모델 가중치를 모두 제공합니다.

이 모델은 MOMENT-1-large 백본을 기반으로 구축되었으며, 약 3억 4천만 개의 파라미터를 가진 베이스 인코더와 학습 가능한 예측 헤드를 사용합니다. 이 라이브러리는 DataFrame 우선 API, 구성 가능한 예측 기간, 검색을 위한 선택적 과거 컨텍스트, 그리고 기본 예측 모델을 수정하지 않고도 기간별 설명을 생성하는 해석 가능성 프레임워크를 제공합니다.

컨텍스트 강화 예측: 직접 예측과 검색의 결합

Kumo Forecast는 사전 학습 중에 학습된 표현과 현재 애플리케이션에서 사용할 수 있는 과거 관측치라는 두 가지 별개의 정보 소스를 중심으로 설계되었습니다.

직접 예측 경로에서 Kumo Forecast는 MOMENT 기반 Transformer와 학습된 예측 헤드를 사용하여 미래 값을 예측합니다. DARR(Domain-Aware Representation and Retrieval) 모드에서는 최근접 이웃 방식을 사용하여 과거 데이터에서 관련 패턴을 추가로 검색하고 해당 정보를 직접 예측과 결합합니다.

이는 모델의 입력 윈도우와 검색 컨텍스트를 구분합니다. 입력 윈도우는 예측을 위한 최근 관측치를 제공하며, 별도의 과거 DataFrame은 패턴 검색을 위한 추가 컨텍스트를 제공할 수 있습니다. 개발자는 라이브러리의 구성 옵션을 통해 최종 예측이 각 경로에 얼마나 강하게 의존할지 조정할 수 있습니다.

DARR 모드는 발표된 논문 Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains에 설명되어 있습니다.

4가지 아키텍처 구성 요소

Kumo Forecast는 사전 학습된 시간 인코더, 학습 가능한 예측 헤드, 과거 패턴 검색 메커니즘, 해석 가능성 프레임워크라는 네 가지 주요 구성 요소를 결합합니다.

사전 학습된 시간 표현

이 모델은 MOMENT-1-large Transformer 인코더를 백본으로 사용합니다. 아키텍처는 예측 헤드를 학습하는 동안 인코더와 임베더 가중치를 고정 상태로 유지하여, 사전 학습된 표현 모델과 작업별 예측 계층을 분리합니다.

직접 예측

예측 헤드는 모델의 표현을 요청된 기간의 미래 값으로 매핑합니다. 모델의 기본 기능을 벗어나는 기간의 경우, Kumo Forecast는 자기회귀 확장을 지원합니다. 이는 직접 생성된 예측과 재귀적으로 예측을 확장하는 더 긴 예측을 구분합니다.

도메인 인식 표현 및 검색 (DARR)

DARR은 과거 컨텍스트 데이터로부터 k-최근접 이웃 검색을 수행하여 직접 예측을 보강합니다. 이 프로세스는 직접 예측과 과거 패턴 검색을 결합하며, SDK는 별도의 context_df 인수를 통해 과거 컨텍스트를 허용합니다.

해석 가능성

Kumo Forecast에는 모델에 구애받지 않는 해석 가능성 프레임워크가 포함되어 있습니다. 활성화되면 다음과 같은 설명 번들을 생성합니다:

  • 예측 기간별 지연(lag) 및 특징 기여도,
  • 의미론적 흐름 진단,
  • 궤적 안정성 진단,
  • 선택적 임베딩 Integrated Gradients.

이러한 출력은 다른 예측 아키텍처를 요구하지 않고 예측과 함께 제공됩니다. 자세한 내용은 논문 NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates에 문서화되어 있습니다.

지원되는 입력 및 제한 사항

Kumo Forecast는 숫자형 시간 데이터로 제한됩니다. 지원되는 입력 시퀀스 길이는 256, 512, 1024, 2048 관측치입니다. 입력은 타임스탬프 열과 하나 이상의 숫자 값 열로 구성되며, pandas DataFrame으로 표현되거나 CSV 또는 JSON 입력으로 제공됩니다. DARR 모드를 사용할 때 컨텍스트의 차원은 입력 컨텍스트와 유사해야 합니다.

입증된 애플리케이션

릴리스 자료에는 두 가지 통합 사례가 나와 있습니다.

예측 정비. Factory Operations(FOX) 블루프린트에는 Kumo Anomaly와 Kumo Forecast를 활용하는 예측 정비 모듈에 대한 조기 액세스가 포함되어 있습니다. 실시간 데이터를 분석하여 미래의 이상 징후를 예측합니다. 모델과 함께 데모 영상이 게시되어 있습니다.

플랫폼 통합. GTC San Jose 2026 세션에서 플랫폼 통합을 시연하며, 릴리스에는 NVIDIA가 호스팅하는 온디맨드 녹화본 링크가 포함되어 있습니다.

Kumo Forecast 평가 및 적용 방법

NVIDIA는 애플리케이션별 평가를 권장합니다. 동일한 보류 예측 윈도우에서 직접 구성과 검색 강화 구성을 비교하고, NVIDIA의 사용 사례별 테스트 요구 사항에 따라 의도된 기간 및 작동 조건 전반에 걸쳐 예측 품질을 검증하십시오.

Kumo-TS 저장소는 또한 사용자가 제공한 CSV에서 Kumo Forecast를 미세 조정하는 예제를 제공하여, 개발자에게 사전 학습된 추론 워크플로우와 자체 데이터에 모델을 적용하기 위한 문서화된 시작점을 모두 제공합니다.

Sources