基于 Confluent 用 IBM 时间序列模型实现实时智能

基于 Confluent 用 IBM 时间序列模型实现实时智能。迄今为止，这些决策一直依赖于过时的经济模式：一次构建一个定制模型，每个模型需要数月的专家工作。因此，团队只为最有价值的几百条时间序列建模，其余部分则用安全余量覆盖——额外的库存、额外的容量、额外的容差，等到时间窗口关闭后才采取行动。这种余量就是无人能够预测的决策所付出的代价，每个周期都要支付。时间序列基础模型（TSFM）改变了这一切。它在海量、多样的信号上一次性训练完成，能够泛化到从未见过的序列：给它一段测量数据窗口，它就能告诉你接下来会发生什么、当前行为与正常状态偏离多远、哪些历史记录与当前相似，以及哪些设置最能服务于目标。使用这类模型也不需要一大群数据科学家：需求规划师、欺诈分析师或工艺工程师都可以自己将这些模型应用到他们的数据流上。围绕这些模型，IBM 正在构建将工作前移的功能，让预测、异常检测、优化和语义智能以可调用的能力形式提供，而不再是你需要立项开发的工程。想象一下巧克力工厂里的一条调温生产线，其温度、速度和产量每隔几秒被采样一次，并与固定阈值进行比对。将基础模型接入这条数据流，它就能预测生产线在夜班期间的产出，让规划师在还有时间采取行动时就发现产量缺口。它能根据生产线在黑巧克力生产上的正常表现对当天的运行进行评分，因此在巧克力起霜之前就能发现缓慢的漂移。它能在工厂历史中找到最相似的案例，让工程师了解过去类似运行的结果。它能以操作员控制的设置作为条件，并在值得追求最后一点精度时进行微调。无需数据科学团队，同一个模型就能推广到每家工厂的每条生产线。IBM 在推出这些模型之前已在其自身的产品和运营中先行使用，随后与设计合作方共同进行了部分验证。