IBM und Confluent führen Zeitreihen-Basismodelle (TSFM) für den Einsatz in Echtzeit-Datenströmen zusammen. Während der traditionelle Ansatz die Entwicklung eines eigenen Modells für jede Datenreihe und monatelange Arbeit von Fachleuten erfordert, können diese Modelle auch auf Reihen generalisieren, die sie zuvor nicht gesehen haben, und so Prognosen, Anomalieerkennung, Ähnlichkeitssuche, Klassifizierung, die Vervollständigung fehlender Daten und Optimierung ermöglichen. Damit sollen die für Sicherheitsbestände, Überkapazitäten und Verzögerungen bei Entscheidungen eingeplanten Margen reduziert werden.
Bei der Lösung analysieren IBM Granite Time Series-Modelle die Signale, während Confluent die Live-Daten des Unternehmens als Datenstrom bereitstellt. Dank nativer Inferenz auf Apache Flink können die Modelle direkt in Confluent Cloud ausgeführt werden. Flink speichert die für jede Reihe erforderlichen historischen Daten fehlertolerant und ermöglicht so Prognosen und Anomalieerkennung im aktuellen Kontext. Der Dienst wird in Confluent Cloud für AWS im Rahmen von Early Access verfügbar gemacht; zudem ist geplant, ihn mit Confluent Platform auch in unternehmensinternen und hybriden Umgebungen einzusetzen.
IBM und Confluent bieten vier ergänzende Modelle für unterschiedliche Anwendungsanforderungen im Rahmen von Early Access an. PatchTST-FM verarbeitet Variablen in getrennten Kanälen und erzeugt eine Wahrscheinlichkeitsverteilung. FlowState verfolgt kontinuierliche Zeitdynamiken – von SCADA-Daten im Sekundentakt bis hin zu Marktdaten im Stundentakt. TTM bietet eine kompakte Architektur, die 100,000 Zeitreihen über Nacht auf der CPU verarbeiten kann. TSPulse konzentriert sich auf Anomalieerkennung, Klassifizierung, die Vervollständigung fehlender Daten und die Suche nach ähnlichen Ereignissen in der Vergangenheit. Die Modelle können mit den Flink-SQL-Funktionen AI_FORECAST und AI_DETECT_ANOMALIES von Confluent genutzt werden, indem lediglich ein SQL-Parameter geändert wird.
Zu den Anwendungsbereichen gehören die Planung der Einzelhandelsnachfrage, die Erkennung von Finanzbetrug und die Optimierung der Produktion. Die Modelle können bei neuen Produkten ohne historische Daten auf ähnliche Zeitreihen zurückgreifen; in Zahlungsabläufen können sie Abweichungen vom normalen Verhalten einer Karte erkennen, bevor die Transaktion abgeschlossen ist. In der Produktion können sie auf Grundlage von Variablen wie Temperatur, Geschwindigkeit, Dosierung und Viskosität neue Einstellungen entsprechend der angestrebten Leistung und den bestehenden Einschränkungen vorschlagen.
IBM erklärt, die Lösung zunächst in den eigenen Produkten und Betriebsabläufen und anschließend mit Designpartnern aus den Branchen Zement, Stahl, Papier, Lebensmittel und Telekommunikation getestet zu haben. Dem Unternehmen zufolge können die Effizienzgewinne 5 bis 10× erreichen. Die Granite-Modelle nutzen außerdem den Rahmen für die Governance von Unternehmens-KI von IBM, der die Transparenz über die Herkunft der Modelle und die Lizenzen umfasst.
Warum das wichtig ist
Diese Integration zielt darauf ab, die Zeitreihenanalyse von Projekten, in denen Data-Science-Teams jeweils eigene Modelle erstellen, in einen Dienst umzuwandeln, der innerhalb einer Plattform mit Live-Datenströmen genutzt werden kann. Dies könnte insbesondere im Einzelhandel, im Finanzwesen und in der Produktion ermöglichen, operative Entscheidungen nicht nur auf Grundlage vergangener Berichte, sondern auch anhand aktueller Signale und ähnlicher Ereignisse zu treffen. Die Genauigkeit, die Rate der Fehlalarme und die Frage, wie die vorgeschlagenen Einstellungen in die Geschäftsprozesse integriert werden, bleiben jedoch offen. Dass die Modelle innerhalb von Confluent Cloud ausgeführt werden, könnte die Einstiegshürde für Unternehmen senken, die bereits die Flink- und SQL-Infrastruktur nutzen; die Übertragung der Lösung in unternehmensinterne und hybride Umgebungen befindet sich jedoch noch in der Planungsphase. Aufgrund des Early-Access-Status sind Zugang und Nutzungsumfang begrenzt; unter welchen Bedingungen sich die von IBM genannten Effizienzgewinne in verschiedenen Branchen wiederholen lassen, hängt ebenfalls vom weiteren Verlauf der Tests ab.
Hintergrund
IBM ist im FikirPilot-Archiv kein neuer Name: In den vergangenen 90 Tagen haben wir eine Nachricht veröffentlicht, in der dieser Name erwähnt wurde; der Beitrag stammt vom 24. August 2026.