IBM e Confluent stanno riunendo i modelli fondamentali per le serie temporali (TSFM) da utilizzare nei flussi di dati in tempo reale. Mentre l’approccio tradizionale richiede lo sviluppo di un modello separato per ogni serie di dati e mesi di lavoro da parte di esperti, questi modelli possono generalizzare anche a serie mai viste in precedenza, consentendo previsioni, rilevamento delle anomalie, ricerca di similarità, classificazione, completamento dei dati mancanti e ottimizzazione. In questo modo, l’obiettivo è ridurre i margini destinati alle scorte di sicurezza, alla capacità in eccesso e alle decisioni prese in ritardo.
Nella soluzione, i modelli IBM Granite Time Series analizzano i segnali, mentre Confluent fornisce i dati operativi in tempo reale sotto forma di flusso. Grazie all’inferenza nativa su Apache Flink, i modelli possono funzionare direttamente all’interno di Confluent Cloud. Flink conserva in modo resiliente ai guasti i dati storici necessari per ogni serie, consentendo di effettuare previsioni e rilevamento delle anomalie sulla base del contesto aggiornato. Il servizio viene reso disponibile su Confluent Cloud per AWS nell’ambito dell’Early Access; è inoltre previsto il trasferimento a Confluent Platform per gli ambienti on-premise e ibridi.
IBM e Confluent offrono in Early Access quattro modelli complementari destinati a diverse esigenze d’uso. PatchTST-FM elabora le variabili su canali separati e produce una distribuzione di probabilità. FlowState monitora le dinamiche temporali continue, dai dati SCADA con frequenza al secondo ai dati di mercato su base oraria. TTM offre un’architettura compatta in grado di elaborare 100.000 serie durante la notte su CPU. TSPulse si concentra invece sul rilevamento delle anomalie, sulla classificazione, sul completamento dei dati mancanti e sulla ricerca nel passato di eventi simili. I modelli possono essere utilizzati con le funzioni Flink SQL AI_FORECAST e AI_DETECT_ANOMALIES di Confluent, modificando un solo parametro SQL.
Tra gli ambiti di applicazione figurano la pianificazione della domanda nel commercio al dettaglio, il rilevamento delle frodi finanziarie e l’ottimizzazione della produzione. I modelli possono sfruttare serie simili per i nuovi prodotti anche in assenza di dati storici; nei flussi di pagamento possono individuare gli scostamenti rispetto al comportamento abituale della carta prima del completamento della transazione. Nella produzione, invece, possono suggerire nuove impostazioni sulla base di variabili come temperatura, velocità, dosaggio e viscosità, in linea con le prestazioni obiettivo e i vincoli.
IBM dichiara di aver testato la soluzione prima nei propri prodotti e nelle proprie operazioni, quindi con partner di progettazione nei settori del cemento, dell’acciaio, della carta, dell’alimentare e delle telecomunicazioni. Secondo l’azienda, i guadagni di efficienza possono raggiungere livelli compresi tra 5 e 10×. I modelli Granite utilizzano inoltre il framework di governance dell’intelligenza artificiale aziendale di IBM, che include la tracciabilità dei modelli e la trasparenza delle licenze.
Perché è importante
Questa integrazione mira a trasformare l’analisi delle serie temporali da un’attività svolta in progetti in cui i team di data science costruiscono modelli separati, a un servizio utilizzabile all’interno di una piattaforma dotata di flussi di dati in tempo reale. Ciò potrebbe consentire, soprattutto nel commercio al dettaglio, nella finanza e nella produzione, di basare le decisioni operative non soltanto sui report storici, ma anche sui segnali in tempo reale e sugli eventi simili; tuttavia, l’accuratezza, il tasso di falsi allarmi e il modo in cui le impostazioni suggerite verranno adattate ai processi aziendali restano questioni aperte. Il funzionamento dei modelli all’interno di Confluent Cloud potrebbe ridurre la soglia di adozione per le aziende che utilizzano già infrastrutture Flink e SQL, mentre il trasferimento della soluzione agli ambienti on-premise e ibridi è ancora in fase di pianificazione. A causa dello stato Early Access, l’accesso e l’ambito di utilizzo sono limitati; anche le condizioni alle quali i guadagni di efficienza indicati da IBM potranno essere replicati in diversi settori dipenderanno dall’avanzamento dei test.
Contesto
IBM non è un nome nuovo nell’archivio di FikirPilot: negli ultimi 90 giorni abbiamo pubblicato una notizia in cui compariva questo nome; l’articolo è datato 24 agosto 2026.