跳到主要內容
maxstudioNews
產品Hugging Face Blog約 7 分鐘

IBM 時間序列基礎模型登陸 Confluent,實現即時預測與異常偵測

IBM 廣受歡迎的時間序列基礎模型現已原生整合至 Confluent 平台,支援雲端與地端部署。這些模型能對串流資料進行即時預測、異常偵測及語義分析,協助企業將資料信號轉化為即時決策,提升營運效率。此整合將 AI 預測能力帶到資料流的源頭,且僅需 CPU 即可運行。

IBM 時間序列基礎模型登陸 Confluent,實現即時預測與異常偵測
圖片來源:Hugging Face Blog

IBM 時間序列模型下載量已超過 5,000 萬次,現在這些模型能為即時預測、異常偵測與優化提供強大支援。它們現已原生整合至 Confluent 平台,可在雲端與地端環境中運行,且僅需 CPU 即可運作。

每個企業都會產生連續的變動記錄,例如機器讀數、支付交易、銷售、訂單或庫存變動。這些觀察結果構成了時間序列,其中蘊含的信號能幫助團隊預測接下來會發生什麼。

然而,挑戰在於如何將這些信號在仍具意義時轉化為決策。若預測在生產運行、庫存不足或支付授權完成後才送達,即使準確,也為時已晚,無法影響結果。

IBM 和 Confluent 正在將時間序列基礎模型更貼近流動中的資料。透過 Apache Flink,團隊可以使用 SQL 對串流資料應用預測、異常偵測和語義智慧,讓模型輸出結果能即時提供給負責下一步行動的應用程式和人員。

基礎模型已經改變了組織處理文字、圖像和文件的方式。時間序列基礎模型將類似的概念延伸到數值資料,透過從多樣的歷史資料中學習通用模式,然後將這些知識應用於新的時間序列和任務。這些模型提供了一個起點,無需團隊為每個時間序列訓練單獨的模型。根據任務和部署需求,團隊還可以微調模型,或將其輸出與其他資料和業務邏輯結合。

現在,這些時間序列基礎模型已作為內建功能,原生運行於 Confluent 平台,支援雲端和地端部署。在 Confluent Cloud 中,它們是完全託管的,無需額外部署。在地端環境中,模型可以使用 Confluent Platform for Apache Flink 在您自己的基礎設施中運行。這些模型僅需 CPU 即可運行,無需 GPU。

這些模型能支援一系列關鍵任務應用,從協助生產線維持標準、偵測異常的商店活動,到改進產品層級的規劃。它們還能提供信號,用於評估信用卡支付和預測交易量,以協助下達大額訂單。這些基礎模組可應用於製造、零售、銀行和航空等產業,讓洞察力更貼近決策點。

以下將說明時間序列和即時情境如何結合創造價值:

企業營運是持續不斷的。訂單會更新、支付會到帳、貨物會延遲、庫存會全天變動。然而,這些事件背後的資訊往往分散在不同系統中,更新時間不一,或依賴週期性的批次處理。當應用程式和 AI 代理基於過時或不一致的資訊採取行動時,它們可能會做出不再反映實際情況的決策。

Streamhouse 透過持續擷取、處理、治理和提供當前業務情境來解決這個問題。Confluent 的資料串流平台整合了五大功能,包括連接、串流、處理、治理和查詢,使這些情境可供應用程式、分析工具和代理使用。Apache Flink 在資料流動時進行轉換和豐富,而 Lightning Tables 則提供對當前狀態的低延遲存取。

時間序列模型為此架構增添了預測能力。Flink 可以準備資料、呼叫預測和異常偵測功能,並將結果與產生這些結果的事件一同提供。其他模型,包括大型語言模型、統計模型和專用機器學習系統,也能在適當情況下做出貢獻。

這種方法可以從四個方面幫助團隊:

擴展模型開發。 預訓練模型可以為許多時間序列提供一個共同的起點,減少為每個時間序列開發和維護單獨模型的需要。

隨資料變化更新預測。 預測可以將最新的觀察結果納入串流工作流程中,但需符合模型要求和管線配置。

讓信號更貼近決策。 預測和異常可以更快地傳送到營運應用程式,團隊可以在那裡將它們與業務情境、規則和人類判斷結合。

在 CPU 上運行輕量級模型。 這些模型足夠小巧,可以在雲端或地端與串流管線一同在標準 CPU 上運行,這可以減少對專用 GPU 基礎設施的需求並簡化部署。

以下情境將說明組織如何結合時間序列模型、串流資料和應用程式邏輯。

應用案例 1 | 生產優化:確保每個產品都符合規格

冰淇淋生產線的品質取決於膨脹率,即混合物中攪入的空氣量。目前,製程工程師和操作員依賴冰淇淋桶填充後進行的品管實驗室測量。如果一批新的鮮奶油或濕熱的天氣改變了製程,當團隊看到結果時,可能已經有數小時的產品需要返工。

為了解決這個問題,一個預訓練的 TTM 模型每 10 分鐘讀取 SCADA 遙測資料和品管測量結果。它能預測未來四小時內預期符合規格的冰淇淋桶比例,並提供一個可能的範圍。

當預測值低於工廠目標時,優化流程會評估冷凍機出料溫度和氣流的組合。由於模型將這些控制變數作為輸入,它可以在生產線發生任何變化之前評估每個選項。操作員批准建議的設定點,而例行調整則可在預設的防護措施內自動化。

結果是更主動的製程:減少返工、降低每噸能源消耗,並提供更一致的品質。同樣的方法也可以應用於烤箱、乾燥機、窯爐和研磨機。

應用案例 2 | 異常偵測:從標記到正確行動

商店營運團隊監控數百家商店中數千種產品的銷售情況。固定的閾值通常會標記可預測的週末高峰,卻錯過較不顯著的變化,例如某產品的銷售量低於預期。隨著警報累積,團隊將更難以判斷應將重點放在何處。

AI_DETECT_ANOMALIES 根據每個銷售時間序列的近期歷史,為其提供一個預期範圍。每個新的讀數都會以團隊選擇的置信水準與該範圍進行比較,無需為每個產品和商店訓練單獨的模型。

當銷售額超出預期範圍時,該信號可以與庫存和商店資料結合,以幫助識別可能的原因並建議下一步行動,例如檢查貨架或補充庫存。同樣的方法也可以應用於機器感測器、API 遙測、儀表讀數和支付量。

應用案例 3 | 供應鏈規劃:每個 SKU、每家商店、每小時

類別規劃師和補貨團隊需要在每家商店保持產品供應,同時避免庫存過剩。然而,預測可能每週才更新一次,且通常只專注於暢銷產品,而長尾產品則以更簡單的規則管理。當銷售模式在規劃週期之間發生變化時,可能導致一家商店缺貨,而另一家商店庫存過多。

透過 AI_FORECAST,預訓練模型可以預測跨產品和商店的需求。在此範例中,它產生一個 28 天的預測,包含 P10 到 P90 的範圍,並隨著新銷售資料的到來而更新。規劃應用程式將預測與庫存、前置時間以及規劃師選擇的服務水準結合,以計算再訂購點。

當庫存預計低於該點時,代理程式可以草擬一份採購訂單供審核。同樣的方法可以支援備件、人員配置、ATM 現金和能源需求的規劃。

應用案例 4 | 詐欺與安全:每張卡片都有其正常模式

詐欺防制團隊已經依賴複雜的規則和模型來評估交易。一個持續的挑戰是,應用於許多持卡人的閾值可能無法反映每個人的正常消費模式。

時間序列信號可以增加這種個人情境。在此範例中,每筆支付交易都會根據該卡片最近的歷史記錄,與預期的消費範圍進行比較。超出該範圍的交易將作為額外輸入,連同其他信號和業務規則,傳遞給銀行現有的詐欺防制系統。

銀行隨後可以決定是否批准支付、要求額外驗證或進一步調查。該決策及其背後的信號可以保留以供審查。

應用案例 5 | 交易:根據市場動態調整訂單速度

執行部門需要將大額訂單拆分成較小的交易,同時管理其對市場的影響。歷史交易量曲線提供了一個起點,但今天的交易活動可能與平均水準大相徑庭。

在每個一分鐘的 K 線圖上,PatchTST-FM 預測未來 30 分鐘的交易量,並提供 P10 到 P90 的範圍。執行演算法利用該預測,在部門設定的參與限制內調整訂單的執行速度。

如果新聞事件改變了市場活動,演算法可以暫停並重新規劃。如果交易比預期安靜,它可以減少每個交易批次的規模,並發出信號表示訂單可能需要更長時間才能完成。每個預測和由此產生的執行決策都可以保留在稽核軌跡中。

應用案例 6 | 語義搜尋:找出所有類似的信號

一位可靠性工程師在調查異常感測器模式時,可能想知道工廠其他地方是否出現過類似的行為。

TSPulse 可以產生時間序列視窗的表示,以支援相似性搜尋。在一個獨立建置的應用程式中,這些表示可以被索引並用於檢索跨設備的歷史模式。工程師可以搜尋諸如尖峰後恢復、逐漸上升或階梯式變化等形狀,然後檢查相關的維護記錄和操作條件。

此應用程式需要一個嵌入管線、一個索引以及對相關情境的存取。相似性可以幫助縮小調查範圍,但它本身無法確定根本原因。

相同的模型和基礎模組可以支援不同產業的各種工作流程:

工業 AI:從感測器到設定點。工廠經理希望每個批次都符合規格,且生產線不會因突發狀況而停擺。SCADA、品管實驗室和電錶的串流資料在抵達時即進行預測。當品質開始漂移時,生產優化會調整設定點;異常偵測會標記沒有規則可解釋的讀數;語義搜尋則能找出在故障前顯示相同模式的所有幫浦。設定點、工單和警報在週期內即時傳達至現場,而非等到下一個班次報告。

Share

覺得值得一看?分享給朋友。

以上為 AI 自動翻譯導讀。原文版權歸 Hugging Face Blog 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。

Newsletter

不用每天追,AI 重點每週寄給你

43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。

每週一封。Email 只用來寄電子報,每封信都能一鍵退訂。