IBM Granite Time Series Models on Confluent

IBM 与 Confluent 已将 IBM Granite Time Series 基础模型集成到 Confluent Cloud 中，允许企业直接在流数据上进行实时预测和异常检测。这种集成消除了为每个数据序列开发定制模型的需要，并移除了将数据移动到单独的 ML 平台或数据仓库的要求。

Stream-Native Intelligence with Apache Flink

IBM Granite Time Series 模型现在已在 Confluent Cloud 上提供早期访问 (Early Access)，并在 Apache Flink 中原生运行。这种架构允许模型在数据流动的地方运行，从而提供若干运营优势：

Zero Configuration: 模型服务、扩展和运行时操作由 Confluent 管理，允许用户直接从 Flink SQL 调用模型，而无需管理提供商凭据或胶水代码。
Stateful Processing: 由于预测和异常检测需要最近的历史记录来定义“正常”行为，Flink 以容错方式管理每个序列所需的必要状态，从而消除了每次调用时对单独数据库的查询需求。
Built-in Governance: 推理管道遵循与 Confluent 平台其余部分相同的模式 (schemas)、血缘 (lineage) 和访问控制。Kafka topics 确保结果是持久且可重放的，以便进行审计和模型评估。
Cost and Security Efficiency: 原生推理消除了对专用 GPU 基础设施的需求，并移除了云端入站/出站费用，同时将数据保留在 Confluent Cloud 的 RBAC 和隐私政策内。

IBM 并非提供单一模型，而是提供了一组由四个互补的基础模型组成的组合，旨在满足不同的决策需求。这些模型可以通过 AI_FORECAST 和 AI_DETECT_ANOMALIES Flink SQL 函数进行访问。

PatchTST-FM: 以补丁 (patches) 形式处理序列（类似于 LLM 读取文本的方式），每个变量都在其独立的通道中，以防止噪声信号影响其他变量。它提供结果的全分布，使规划者能够根据百分位数（例如第 90 百分位数）设置阈值。
FlowState: 维护一个随每个数据点更新的运行摘要。其连续时间动力学允许它处理不同的频率，从秒级的 SCADA 数据到每小时的市场数据。
TTM: 在时间和变量之间利用微型混合网络 (tiny mixing networks) 而不是注意力机制 (attention mechanisms)。这使得一个百万参数的模型能够在 CPU 上在每晚覆盖数十万个序列。
TSPulse: 一个小型多任务模型，结合了时间视图和频率视图，专门针对异常检测、分类、填补缺失值 (gap-filling) 和相似性搜索（“我们以前见过这个吗”）进行了优化。

该集成侧重于四个主要的技术能力，旨在缩短业务事件与可操作响应之间的时间。

基础模型允许采用“模型工厂”方法，即单个共享模型可以立即应用于未见过的序列。这对于产品目录的“尾部”产品特别有效，因为为这些产品构建定制模型成本太高。通过输出分布而非单一线条，这些模型可以实现更精确的服务水平策略，从而减少缺货并释放营运资金。

通过为每个实体（例如信用卡或传感器）维护一种“正常”感，模型可以对飞行中的支付或遥测数据进行评分。由于这些是基础模型，它们为新产品或资产类型提供即时保护，而无需标记的历史案例。它们可以在公司的自有流上进行持续重拟合，以适应不断演变的欺诈模式或攻击特征。

在工业设置中，这些模型充当模拟器。通过以可控变量（例如温度、速度）为条件，工程师可以预测结果并使用优化器来搜索满足特定 KPI 的最佳设定点。IBM 报告称，与传统的定制建模相比，这种方法可以带来 5 到 10 倍的生产力提升。

这些模型利用嵌入 (embeddings)——捕捉时间窗口和频率形状的紧凑向量。这些嵌入允许系统将当前的流窗口与过去的事件进行匹配，以寻找先例。这使得能够检索针对类似漂移的历史修复方案，或识别类似的欺诈案例，从而在 AI agent 在采取行动之前提供上下文信息。