IBM и Confluent объединяют базовые модели временных рядов (TSFM) для использования в потоках данных в реальном времени. Если традиционный подход требует разработки отдельной модели для каждого ряда данных и месяцев работы специалистов, то эти модели могут обобщаться на ряды, которых ранее не встречали, обеспечивая прогнозирование, обнаружение аномалий, поиск сходства, классификацию, восстановление пропущенных данных и оптимизацию. Таким образом, ставится цель сократить резервы, закладываемые на запасы безопасности, избыточные мощности и решения, принятые с опозданием.
В рамках решения модели IBM Granite Time Series анализируют сигналы, а Confluent предоставляет оперативные данные предприятия в потоковом режиме. Благодаря локальному выводу на базе Apache Flink модели могут работать непосредственно внутри Confluent Cloud. Flink отказоустойчиво хранит необходимые для каждого ряда исторические данные, позволяя выполнять прогнозирование и обнаружение аномалий с учётом актуального контекста. Сервис запускается на Confluent Cloud для AWS в рамках Early Access; также планируется его перенос в локальные и гибридные среды с помощью Confluent Platform.
IBM и Confluent предлагают в рамках Early Access четыре взаимодополняющие модели для различных потребностей использования. PatchTST-FM обрабатывает переменные в отдельных каналах и формирует распределение вероятностей. FlowState отслеживает динамику непрерывного времени — от посекундных данных SCADA до почасовых рыночных данных. TTM представляет собой небольшую архитектуру, способную обрабатывать 100 000 рядов на CPU за ночь. TSPulse ориентирована на обнаружение аномалий, классификацию, восстановление пропущенных данных и поиск похожих событий в прошлом. Модели можно использовать с функциями AI_FORECAST и AI_DETECT_ANOMALIES Flink SQL от Confluent, изменив всего один параметр SQL.
Среди областей применения — планирование розничного спроса, выявление финансового мошенничества и оптимизация производства. Модели могут использовать похожие ряды для новых продуктов без исторических данных; в платёжных потоках они способны выявлять отклонения от нормального поведения карты до завершения операции. В производстве модели могут предлагать новые настройки на основе таких переменных, как температура, скорость, дозировка и вязкость, с учётом целевых показателей эффективности и ограничений.
IBM заявила, что сначала протестировала решение в собственных продуктах и операционной деятельности, а затем — с партнёрами по разработке из отраслей цемента, стали, бумаги, пищевой промышленности и телекоммуникаций. По данным компании, прирост эффективности может достигать уровня от 5 до 10×. Модели Granite также используют корпоративную систему управления искусственным интеллектом IBM, включающую информацию о происхождении моделей и прозрачности лицензирования.
Почему это важно
Эта интеграция призвана превратить аналитику временных рядов из проектов, в которых команды по работе с данными по отдельности создают модели, в сервис, доступный внутри платформы с потоками данных в реальном времени. Это может быть особенно важно для розничной торговли, финансов и производства, поскольку позволит основывать операционные решения не только на прошлых отчётах, но и на текущих сигналах и похожих событиях; однако точность, уровень ложных срабатываний и то, как рекомендованные настройки будут адаптироваться к бизнес-процессам, остаются открытыми вопросами. Работа моделей внутри Confluent Cloud может снизить порог внедрения для предприятий, использующих существующую инфраструктуру Flink и SQL, однако перенос решения в локальные и гибридные среды пока находится на стадии планирования. В связи со статусом Early Access доступ и возможности использования ограничены; то, в каких условиях заявленные IBM показатели прироста эффективности будут воспроизводиться в разных отраслях, также зависит от дальнейшего хода тестирования.
Предыстория
IBM — не новое имя в архиве FikirPilot: за последние 90 дней мы опубликовали новость, в которой упоминалось это имя; статья датирована 24 августа 2026 года.