IBM y Confluent lanzan modelos de series temporales para analizar datos en tiempo real
IBM Research ha publicado en Hugging Face una familia de modelos de inteligencia artificial especializados en predecir patrones a partir de datos que cambian con el tiempo, y los ha integrado con Confluent para que empresas puedan usarlos sobre flujos de información en directo.
IBM Research ha lanzado Granite Time Series, una familia de modelos de inteligencia artificial de pesos abiertos (descargables y utilizables libremente) especializados en analizar datos que cambian con el tiempo. Los ha integrado con Confluent (una plataforma para mover grandes volúmenes de datos entre sistemas) para que empresas puedan hacer predicciones y detectar anomalías sobre información en directo, sin esperar a almacenarla.
IBM Research acaba de lanzar en Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) una nueva familia de modelos llamada Granite Time Series (modelos diseñados específicamente para analizar datos que evolucionan en el tiempo, como lecturas de sensores, cotizaciones bursátiles o métricas de tráfico web). La novedad es que estos modelos están pensados para trabajar directamente sobre flujos de datos en tiempo real, no solo sobre históricos ya almacenados.
IBM ha integrado estos modelos con Confluent (una plataforma que ayuda a las empresas a mover y procesar grandes volúmenes de datos entre sistemas de forma continua, basada en la tecnología Apache Kafka). Esa combinación permite a una empresa, por ejemplo, detectar anomalías en la producción de una fábrica en cuanto ocurren, o prever la demanda eléctrica con unos minutos de antelación, sin necesidad de esperar a que los datos se almacenen primero en una base de datos.
Los modelos de Granite Time Series son de pesos abiertos (cualquiera puede descargarlos, estudiar su arquitectura interna y usarlos sin restricciones de licencia) y están disponibles en varios tamaños, desde versiones ligeras que funcionan en hardware modesto hasta otras más grandes y precisas. IBM los ha entrenado con miles de millones de puntos de datos de dominios muy variados —finanzas, industria, salud— para que sean útiles sin necesidad de reentrenarlos desde cero.
Según informó IBM en el blog de Hugging Face, esta integración con Confluent está pensada para casos de uso donde la velocidad es crítica: detección de fraude bancario, mantenimiento predictivo en infraestructuras o ajuste automático de precios en comercio electrónico. La arquitectura permite que el modelo procese cada nuevo dato en milisegundos y devuelva una predicción o una alerta sin interrumpir el flujo de información.
El código de ejemplo y la documentación están disponibles de forma pública. IBM apunta que esta colaboración forma parte de su estrategia de IA híbrida (sistemas que combinan nubes públicas, privadas y equipos locales), diseñada para que las empresas puedan ejecutar inteligencia artificial sobre sus propios datos sin tener que subirlos todos a la nube de un tercero.
