IBM 与 Confluent 正在整合时间序列基础模型（TSFM），用于实时数据流。传统方法需要为每个数据序列单独开发模型，并投入数月的专家工作；而这些模型能够泛化到此前未见过的序列，从而实现预测、异常检测、相似性搜索、分类、缺失数据补全和优化。这样做旨在减少为安全库存、过剩产能以及延迟决策所预留的缓冲空间。
在这一解决方案中，IBM Granite Time Series 模型负责分析信号，Confluent 则以流式方式提供企业的实时数据。借助 Apache Flink 上的原生推理，这些模型可以直接运行在 Confluent Cloud 中。Flink 以容错方式保留每个序列所需的历史数据，确保预测和异常检测能够基于最新上下文进行。该服务将作为 AWS 的 Early Access 功能在 Confluent Cloud 上开放；未来还计划通过 Confluent Platform 扩展到本地部署和混合环境。
IBM 与 Confluent 将以 Early Access 形式提供4个面向不同使用需求的互补模型。PatchTST-FM 在独立通道中处理各变量，并生成概率分布。FlowState 持续追踪从秒级 SCADA 数据到小时级市场数据的时间动态。TTM 提供一种小型架构，可在 CPU 上于一夜之间处理100,000个序列。TSPulse 则专注于异常检测、分类、缺失数据补全以及搜索历史上相似的事件。这些模型可通过 Confluent 的 AI_FORECAST 和 AI_DETECT_ANOMALIES Flink SQL 函数使用，只需修改一个 SQL 参数。
应用领域包括零售需求规划、金融欺诈检测和生产优化。模型可以在新产品缺乏历史数据的情况下利用相似序列；在支付流中，它们能够在交易完成前识别偏离银行卡正常行为的情况。在生产环节，模型则可以根据温度、速度、剂量和黏度等变量，按照目标性能和约束条件提出新的设置建议。
IBM 表示，该公司先在自身的产品和运营中测试了这一解决方案，随后又与水泥、钢铁、造纸、食品和电信行业的设计合作伙伴开展测试。根据该公司的说法，效率提升最高可达5 to 10×。Granite 模型还采用了 IBM 企业人工智能治理框架，其中包括模型来源和许可证透明度。
为何重要
这项集成旨在将时间序列分析从由数据科学团队分别构建模型的项目，转变为一种可在包含实时数据流的平台内使用的服务。这尤其可以使零售、金融和制造业中的运营决策不再仅依据历史报告，而是基于实时信号和相似事件；不过，准确性、误报率，以及如何将模型建议的设置应用于业务流程，仍是有待解答的问题。模型在 Confluent Cloud 中运行，对于使用现有 Flink 和 SQL 基础设施的企业而言，可能降低应用门槛；但将该解决方案迁移到企业内部和混合环境，目前仍处于计划阶段。由于处于 Early Access 状态，访问权限和使用范围受到限制；IBM 所称的效率提升能否在不同行业以何种条件重复实现，也取决于测试的进展。
背景
IBM 并不是 FikirPilot 归档中的新名字：在过去90天内，我们发布过一篇提到这一名称的新闻；该文章日期为2026年8月24日。