IBM e Confluent estão reunindo modelos fundamentais de séries temporais (TSFM) para uso em fluxos de dados em tempo real. Enquanto a abordagem tradicional exige o desenvolvimento de um modelo separado para cada série de dados e meses de trabalho especializado, esses modelos também podem ser generalizados para séries que nunca viram antes, permitindo previsão, detecção de anomalias, busca por similaridade, classificação, preenchimento de dados ausentes e otimização. Dessa forma, pretende-se reduzir as margens destinadas a estoques de segurança, capacidade excedente e decisões tomadas tardiamente.
Na solução, os modelos IBM Granite Time Series analisam os sinais, enquanto a Confluent fornece os dados ativos da empresa em fluxo contínuo. Graças à inferência nativa no Apache Flink, os modelos podem ser executados diretamente no Confluent Cloud. O Flink mantém, de forma tolerante a falhas, os dados históricos necessários para cada série, permitindo que a previsão e a detecção de anomalias sejam realizadas com o contexto atualizado. O serviço está sendo disponibilizado no Confluent Cloud para AWS como parte do Early Access; também está prevista sua implementação em ambientes locais e híbridos por meio do Confluent Platform.
IBM e Confluent estão oferecendo quatro modelos complementares, em Early Access, para diferentes necessidades de uso. PatchTST-FM processa as variáveis em canais separados e produz uma distribuição de probabilidade. FlowState monitora dinâmicas temporais contínuas, desde dados SCADA por segundo até dados de mercado por hora. TTM oferece uma arquitetura pequena capaz de processar 100,000 séries durante a noite em CPU. TSPulse, por sua vez, concentra-se na detecção de anomalias, classificação, preenchimento de dados ausentes e busca de eventos semelhantes no histórico. Os modelos podem ser utilizados com as funções AI_FORECAST e AI_DETECT_ANOMALIES do Confluent no Flink SQL, bastando alterar um único parâmetro SQL.
Entre as áreas de aplicação estão o planejamento da demanda no varejo, a detecção de fraudes financeiras e a otimização da produção. Os modelos podem aproveitar séries semelhantes em produtos novos, sem dados históricos; nos fluxos de pagamento, podem identificar desvios em relação ao comportamento normal do cartão antes da conclusão da transação. Na produção, por sua vez, podem recomendar novas configurações com base em variáveis como temperatura, velocidade, dosagem e viscosidade, de acordo com o desempenho desejado e as restrições.
A IBM afirma ter testado a solução primeiro em seus próprios produtos e operações e, depois, com parceiros de design dos setores de cimento, aço, papel, alimentos e telecomunicações. Segundo a empresa, os ganhos de eficiência podem chegar a 5 a 10×. Os modelos Granite também utilizam a estrutura de governança de inteligência artificial corporativa da IBM, que inclui a proveniência dos modelos e a transparência das licenças.
Por que isso é importante
Essa integração pretende transformar a análise de séries temporais, antes restrita a projetos nos quais as equipes de ciência de dados construíam modelos separadamente, em um serviço utilizável dentro de uma plataforma com fluxos de dados em tempo real. Isso pode permitir, especialmente no varejo, nas finanças e na produção, que as decisões operacionais sejam baseadas não apenas em relatórios históricos, mas também em sinais em tempo real e eventos semelhantes; no entanto, a precisão, a taxa de falsos alarmes e a forma como as configurações recomendadas serão adaptadas aos processos de negócio continuam sendo questões em aberto. O funcionamento dos modelos dentro do Confluent Cloud pode reduzir a barreira de implementação para empresas que já utilizam a infraestrutura de Flink e SQL, enquanto a transferência da solução para ambientes internos e híbridos ainda está na fase de planejamento. Devido ao status de Early Access, o acesso e o escopo de uso são limitados; a repetição, em diferentes setores, dos ganhos de eficiência indicados pela IBM também dependerá do avanço dos testes.
Contexto
IBM não é um nome novo no arquivo do FikirPilot: publicamos uma notícia mencionando esse nome nos últimos 90 dias; o texto é de 24 de agosto de 2026.