IBM y Confluent están integrando modelos fundacionales de series temporales (TSFM) para su uso en flujos de datos en tiempo real. Mientras que el enfoque tradicional requiere desarrollar un modelo independiente para cada serie de datos y meses de trabajo especializado, estos modelos pueden generalizarse a series que no han visto anteriormente y ofrecer previsiones, detección de anomalías, búsqueda de similitudes, clasificación, imputación de datos faltantes y optimización. De este modo, se busca reducir los márgenes destinados a los stocks de seguridad, la capacidad excedente y las decisiones tomadas con retraso.
En la solución, los modelos IBM Granite Time Series analizan las señales, mientras que Confluent proporciona los datos activos de la empresa en forma de flujo. Gracias a la inferencia nativa sobre Apache Flink, los modelos pueden ejecutarse directamente dentro de Confluent Cloud. Flink conserva de forma tolerante a fallos los datos históricos necesarios para cada serie, lo que permite realizar previsiones y detectar anomalías con el contexto actualizado. El servicio se está habilitando en Confluent Cloud para AWS mediante Early Access; también está previsto trasladarlo a entornos locales e híbridos con Confluent Platform.
IBM y Confluent ofrecen cuatro modelos complementarios, mediante Early Access, para distintas necesidades de uso. PatchTST-FM procesa las variables en canales separados y genera una distribución de probabilidad. FlowState supervisa dinámicas temporales continuas, desde datos SCADA por segundos hasta datos de mercado por horas. TTM ofrece una arquitectura pequeña capaz de procesar 100.000 series durante la noche en CPU. TSPulse, por su parte, se centra en la detección de anomalías, la clasificación, la imputación de datos faltantes y la búsqueda de eventos similares en el historial. Los modelos pueden utilizarse con las funciones AI_FORECAST y AI_DETECT_ANOMALIES de Flink SQL de Confluent, cambiando únicamente un parámetro SQL.
Entre las áreas de aplicación se encuentran la planificación de la demanda minorista, la detección de fraude financiero y la optimización de la producción. Los modelos pueden aprovechar series similares en productos nuevos sin datos históricos; en los flujos de pagos, pueden identificar desviaciones respecto al comportamiento normal de una tarjeta antes de que se complete la transacción. En la producción, en cambio, pueden recomendar nuevos ajustes en función de variables como la temperatura, la velocidad, la dosificación y la viscosidad, de acuerdo con el rendimiento objetivo y las restricciones.
IBM señala que probó la solución primero en sus propios productos y operaciones, y posteriormente con sus socios de diseño de los sectores del cemento, el acero, el papel, la alimentación y las telecomunicaciones. Según la empresa, las ganancias de eficiencia pueden alcanzar niveles de 5 a 10×. Los modelos Granite también utilizan el marco de gobernanza de la inteligencia artificial empresarial de IBM, que incluye la procedencia de los modelos y la transparencia de las licencias.
Por qué es importante
Esta integración pretende transformar el análisis de series temporales, que hasta ahora se utilizaba en proyectos donde los equipos de ciencia de datos desarrollaban modelos por separado, en un servicio disponible dentro de una plataforma con flujos de datos en tiempo real. Esto podría permitir, especialmente en los sectores minorista, financiero y manufacturero, basar las decisiones operativas no solo en informes históricos, sino también en señales instantáneas y eventos similares; sin embargo, la precisión, la tasa de falsas alarmas y la forma en que los ajustes recomendados se adaptarán a los procesos empresariales siguen siendo cuestiones abiertas. El hecho de que los modelos funcionen dentro de Confluent Cloud podría reducir la barrera de adopción para las empresas que ya utilizan la infraestructura de Flink y SQL, mientras que el traslado de la solución a entornos locales e híbridos todavía se encuentra en fase de planificación. Debido a su condición de Early Access, el acceso y el alcance de uso son limitados; las condiciones en las que las ganancias de eficiencia indicadas por IBM se repetirán en distintos sectores también dependerán del avance de las pruebas.
Antecedentes
IBM no es un nombre nuevo en el archivo de FikirPilot: en los últimos 90 días publicamos una noticia en la que se mencionaba este nombre; ese artículo está fechado el 24 de agosto de 2026.