IBM et Confluent réunissent des modèles fondamentaux de séries temporelles (TSFM) destinés aux flux de données en temps réel. Alors que l’approche traditionnelle nécessite de développer un modèle distinct pour chaque série de données et mobilise des spécialistes pendant des mois, ces modèles peuvent également se généraliser à des séries jamais observées auparavant afin d’assurer la prévision, la détection d’anomalies, la recherche de similarités, la classification, l’imputation des données manquantes et l’optimisation. L’objectif est ainsi de réduire les marges prévues pour les stocks de sécurité, les surcapacités et les décisions tardives.
Dans cette solution, les modèles IBM Granite Time Series analysent les signaux, tandis que Confluent fournit en continu les données en temps réel de l’entreprise. Grâce à l’inférence native sur Apache Flink, les modèles peuvent fonctionner directement dans Confluent Cloud. Flink conserve de manière tolérante aux pannes les données historiques nécessaires à chaque série, ce qui permet d’effectuer les prévisions et la détection d’anomalies à partir d’un contexte actualisé. Le service est proposé en accès anticipé sur Confluent Cloud pour AWS ; son déploiement dans les environnements sur site et hybrides avec Confluent Platform est également prévu.
IBM et Confluent proposent en accès anticipé quatre modèles complémentaires répondant à différents besoins d’utilisation. PatchTST-FM traite les variables dans des canaux distincts afin de produire une distribution de probabilité. FlowState suit les dynamiques temporelles continues, des données SCADA à la seconde aux données de marché horaires. TTM offre une architecture compacte capable de traiter chaque nuit 100 000 séries sur CPU. TSPulse se concentre quant à lui sur la détection d’anomalies, la classification, l’imputation des données manquantes et la recherche d’événements similaires dans les données historiques. Les modèles peuvent être utilisés avec les fonctions Flink SQL AI_FORECAST et AI_DETECT_ANOMALIES de Confluent, en modifiant un seul paramètre SQL.
Les domaines d’application comprennent la planification de la demande dans le commerce de détail, la détection des fraudes financières et l’optimisation de la production. Les modèles peuvent exploiter des séries similaires pour les nouveaux produits en l’absence de données historiques ; dans les flux de paiement, ils peuvent détecter les écarts par rapport au comportement habituel d’une carte avant la finalisation de la transaction. Dans la production, ils peuvent, à partir de variables telles que la température, la vitesse, le dosage et la viscosité, recommander de nouveaux réglages en fonction des performances visées et des contraintes.
IBM indique avoir testé la solution d’abord dans ses propres produits et opérations, puis avec des partenaires de conception dans les secteurs du ciment, de l’acier, du papier, de l’agroalimentaire et des télécommunications. Selon l’entreprise, les gains d’efficacité peuvent atteindre 5 à 10×. Les modèles Granite utilisent également le cadre de gouvernance de l’IA d’entreprise d’IBM, qui inclut la traçabilité des modèles et la transparence des licences.
Pourquoi c’est important
Cette intégration vise à transformer l’analytique des séries temporelles, qui était jusqu’ici utilisée dans des projets où les équipes de data science construisaient séparément leurs modèles, en un service accessible au sein d’une plateforme intégrant des flux de données en direct. Cela pourrait notamment permettre, dans le commerce de détail, la finance et la production, de fonder les décisions opérationnelles non seulement sur des rapports historiques, mais aussi sur des signaux en temps réel et des événements similaires ; toutefois, la précision, le taux de fausses alertes et la manière dont les réglages recommandés seront adaptés aux processus métier restent des questions ouvertes. Le fonctionnement des modèles dans Confluent Cloud pourrait réduire le seuil d’adoption pour les entreprises qui utilisent déjà une infrastructure Flink et SQL, tandis que le déploiement de la solution dans des environnements internes et hybrides en est encore au stade de la planification. En raison de son statut Early Access, l’accès et le périmètre d’utilisation restent limités ; les conditions dans lesquelles les gains d’efficacité annoncés par IBM pourront être reproduits dans différents secteurs dépendront également de l’avancement des tests.
Contexte
IBM n’est pas un nom nouveau dans les archives de FikirPilot : nous avons publié au cours des 90 derniers jours un article mentionnant ce nom ; cet article est daté du 24 août 2026.