Η IBM παρουσιάζει ένα ανοιχτό foundation model για προβλέψεις χρονοσειρών
Η IBM Research κυκλοφόρησε το Granite Time Series PatchTST-FM-r2, ένα foundation model που μπορεί να κάνει προβλέψεις σε νέα δεδομένα χωρίς εκ νέου εκπαίδευση για κάθε εφαρμογή. Η έκδοση διαθέτει περίπου 385 εκατομμύρια παραμέτρους, υποστηρίζει μεγάλα ιστορικά δεδομένων και συνοδεύεται από κώδικα, βάρη και άδειες που επιτρέπουν και εμπορική αξιοποίηση.
Από τη ζήτηση στην ενέργεια, χωρίς μοντέλο για κάθε περίπτωση
Οι χρονοσειρές εμφανίζονται παντού: στη ζήτηση προϊόντων, στην κατανάλωση ενέργειας, στην κίνηση δικτύων, στην τηλεμετρία μηχανημάτων και στις τιμές. Η συνηθισμένη προσέγγιση απαιτεί ξεχωριστή προσαρμογή για κάθε dataset. Το PatchTST-FM-r2 επιχειρεί να αλλάξει αυτό το μοντέλο εργασίας: δέχεται το πρόσφατο ιστορικό μιας σειράς και παράγει πρόβλεψη χωρίς fine-tuning ή task-specific εκπαίδευση.
Αυτό είναι το νόημα του zero-shot forecasting. Η αξία του μοντέλου δεν κρίνεται μόνο από το πόσο καλά ταιριάζει σε ένα dataset που έχει ήδη δει, αλλά από το αν γενικεύει σε σειρές που δεν χρησιμοποιήθηκαν ειδικά για την εκπαίδευσή του.
Τι αλλάζει στην αρχιτεκτονική
Η νέα έκδοση κρατά την patch-based αναπαράσταση της οικογένειας PatchTST, αλλά αντικαθιστά τα τυπικά transformer layers με conformer blocks. Κάθε block συνδυάζει multi-head self-attention με temporal convolution. Η attention μπορεί να εντοπίζει σχέσεις σε μακρινά σημεία της σειράς, ενώ η συνέλιξη ενισχύει την κατανόηση των πιο τοπικών μοτίβων.
Η αρχιτεκτονική χρησιμοποιεί εναλλασσόμενα convolution kernels μεγέθους 3 και 5, σε επαναλαμβανόμενο μοτίβο. Παράλληλα, το μοντέλο αξιοποιεί patches με επικάλυψη 50%, weighting με παράθυρο Hamming και overlap-and-add για να περιορίζει τις ασυνέχειες ανάμεσα στα διαδοχικά τμήματα της πρόβλεψης. Η έκδοση r2 έχει επίσης 30 blocks, έναντι 20 στην προηγούμενη r1.
Το αποτέλεσμα είναι ένα μοντέλο με context length έως 8.192 βήματα και ευέλικτο ορίζοντα πρόβλεψης. Δεν επιστρέφει μόνο μία πιθανή τιμή: διαθέτει prediction head για 99 quantiles, ώστε να αποτυπώνει κατανομές και διαστήματα αβεβαιότητας. Αυτό έχει πρακτική σημασία όταν μια επιχείρηση πρέπει να προετοιμαστεί όχι μόνο για το πιθανότερο σενάριο, αλλά και για δυσμενέστερες εκδοχές.
Οι επιδόσεις στα benchmarks
Στο GIFT-Eval, ένα benchmark που συγκρίνει μοντέλα σε διαφορετικά datasets και σενάρια πρόβλεψης, το PatchTST-FM-r2 κατατάσσεται δεύτερο μεταξύ των αναπαραγώγιμων zero-shot μοντέλων για τους δείκτες CRPS και MASE, σύμφωνα με τα στοιχεία που δημοσίευσε η IBM στις 8 Σεπτεμβρίου 2026. Για την ίδια κατηγορία, η IBM το παρουσιάζει ως το υψηλότερα καταταγμένο μοντέλο με permissive, εμπορικά φιλική άδεια.
Οι αριθμοί χρειάζονται σωστή ανάγνωση. Το μοντέλο δεν βρίσκεται πρώτο σε κάθε σύγκριση και η κατάταξη εξαρτάται από το σύνολο μοντέλων και τον τρόπο αξιολόγησης. Όταν στο benchmark συμπεριληφθούν και pretrained μοντέλα που επιτρέπεται να έχουν δει τα training portions των datasets, το r2 κατατάσσεται τρίτο στο CRPS και τέταρτο στο MASE μεταξύ των αναπαραγώγιμων μοντέλων.
Η IBM αναφέρει γεωμετρικό μέσο CRPS 0,467 και MASE 0,6846 για τις αντίστοιχες συγκρίσεις. Οι δείκτες αυτοί είναι χρήσιμοι για συγκρίσεις, αλλά δεν αντικαθιστούν τις δοκιμές σε πραγματικά δεδομένα μιας επιχείρησης, όπου μετρούν η ποιότητα των εισόδων, η συχνότητα δειγματοληψίας και το κόστος ενός λάθους.
Διαφάνεια στα δεδομένα και στις άδειες
Το pretraining corpus περιλαμβάνει επιλεγμένα datasets από το GiftEvalPretrain, συνθετικά δεδομένα που βασίζονται στο KernelSynth, corpus TSMixup με σειρές εκτός του GIFT-Eval και περίπου 500.000 συνθετικές σειρές CauKer μήκους 4.096 σημείων. Η IBM σημειώνει ότι η τεκμηρίωση αυτή δεν καταργεί την ανάγκη για έλεγχο διακυβέρνησης και αδειοδότησης από κάθε οργανισμό, αλλά προσφέρει περισσότερη ορατότητα από ένα απολύτως αδιαφανές corpus.
Το μοντέλο διατίθεται με διπλή αδειοδότηση Apache 2.0 και OpenMDW 1.0, με δυνατότητα επιλογής μίας από τις δύο. Τα βάρη, η αρχιτεκτονική, η pipeline inference και ο κώδικας για την αναπαραγωγή των benchmark αποτελεσμάτων είναι διαθέσιμα. Για τις ομάδες που θέλουν να το εντάξουν σε προϊόν, αυτό μειώνει τα εμπόδια εισόδου, χωρίς να σημαίνει ότι εξαφανίζονται οι υποχρεώσεις ελέγχου των δεδομένων και της παραγωγικής λειτουργίας.
Τι σημαίνει για τις επιχειρησιακές προβλέψεις
Η πιο ενδιαφέρουσα υπόσχεση του PatchTST-FM-r2 είναι η μεταφορά της πρόβλεψης από μια συλλογή μικρών, ειδικά ρυθμισμένων μοντέλων σε ένα κοινό foundation model. Ένας αναλυτής μπορεί να ξεκινήσει με ένα μικρό δείγμα δεδομένων, να πάρει σημειακές προβλέψεις και ποσοστημόρια και στη συνέχεια να αξιολογήσει αν χρειάζεται προσαρμογή ή διαφορετικό μοντέλο.
Η προσέγγιση δεν είναι αυτόματα καλύτερη για κάθε χρήση. Οι επιχειρήσεις θα πρέπει να ελέγξουν drift, εποχικότητα, απουσίες δεδομένων, καθυστερήσεις στη ροή και το αν οι προβλέψεις παραμένουν αξιόπιστες όταν αλλάζουν οι συνθήκες. Η υποστήριξη imputation για missing values είναι χρήσιμη, αλλά δεν αντικαθιστά τον έλεγχο της αιτίας που δημιούργησε τα κενά.
Η κυκλοφορία του r2 δείχνει πού μετακινείται ο ανταγωνισμός στα μοντέλα χρονοσειρών: μεγαλύτερα συμφραζόμενα, probabilistic outputs, πιο διαφανή δεδομένα εκπαίδευσης και άδειες που επιτρέπουν πραγματική δοκιμή σε παραγωγικά σενάρια. Το επόμενο τεστ δεν θα είναι μόνο η θέση σε έναν πίνακα αξιολόγησης, αλλά η σταθερότητα των προβλέψεων όταν αυτές συνδέονται με αποφάσεις για αποθέματα, ενέργεια και λειτουργία υποδομών.