AI评分 一般 (47)AI 中文改写

流式数据仓库中的时间序列模型:新前沿与应用场景

2 天前 1 阅读来源:HuggingFace Blog

AI 中文改写

原文为英文,由 AI 改写为中文报道,内容完整。如需参考原文请点击下方链接

IBM研究院与数据流平台Confluent达成合作,将IBM的时间序列基础模型直接嵌入Confluent的数据流处理体系,让企业在数据产生的当下就能完成预测、异常检测和优化决策。这批模型在HuggingFace上的累计下载量已超过5000万次,此前主要以独立模型形式供开发者调用,如今则作为Confluent的内置函数原生运行——云端版本完全托管、无需部署,本地版本则通过Confluent Platform for Apache Flink跑在企业自有基础设施上,且全部基于CPU运行,不依赖GPU。 这件事的背景是,企业对实时决策的需求正在和传统批处理架构产生越来越大的矛盾。工厂的机器读数、零售的每笔交易、银行的支付授权、航司的订单变化,这些数据每时每刻都在生成,但往往散落在更新节奏不同的多个系统里,或者要等周期性批处理跑完才能被使用。等预测结果出来,生产线可能已经跑完一轮、库存可能已经断货、支付可能已经完成授权,再准确的预测也失去了干预价值。IBM和Confluent的思路是把模型推到数据流动的现场:借助Apache Flink,团队可以用SQL直接对流转中的数据做预测和异常检测,模型输出即时送达负责下一步动作的应用和人员。时间序列基础模型的逻辑与文本、图像领域的大模型类似——从多样化的历史数据中学习通用模式,再迁移到新的序列和任务上,企业不必为每一条数据序列单独训练模型,也可以按需微调,或把模型输出与其他业务逻辑结合。 从落地场景看,这套能力覆盖制造、零售、银行和航空等行业:制造端用于保持产线在规格范围内运行,零售端用于发现门店异常活动和优化商品级规划,金融端为信用卡支付评估提供信号,航空和交易场景则可用来预测交易量以辅助大单下单。对跨境电商卖家而言,这意味着库存预警、销量预测、支付风控这类过去依赖T+1报表的判断,有望在数据流经系统的瞬间完成,减少因信息滞后造成的备货失误和资金风险。

以上为 AI 中文改写版本,如需查看英文原文请访问

英文原文 · HuggingFace Blog

内容版权归原作者及 HuggingFace Blog 所有

这篇文章对你有帮助吗?
觉得有用?分享给更多人

留言 · 0 条

暂无留言,来说两句吧

留言经合规过滤后展示,禁止违法内容