Nvidia lanza Kumo Forecast, un modelo que predice series temporales combinando patrones históricos y aprendizaje profundo
El sistema une un modelo preentrenado tipo transformer con búsqueda de patrones en datos históricos para mejorar predicciones industriales, de mantenimiento o financieras, e incluye herramientas para entender cómo llegó a cada pronóstico.
Kumo Forecast es un modelo de Nvidia que predice series temporales (datos que cambian con el tiempo, como consumo eléctrico o desgaste de maquinaria) combinando un transformer preentrenado de 340 millones de parámetros con una técnica llamada DARR, que busca patrones similares en datos históricos para refinar pronósticos. Incluye herramientas de interpretabilidad que explican cada predicción.
Nvidia ha publicado Kumo Forecast (antes llamado NV-Tesseract Forecasting), un modelo de inteligencia artificial pensado para predecir series temporales multivariables —es decir, conjuntos de datos que cambian con el tiempo, como el consumo eléctrico de una fábrica, el desgaste de piezas industriales o las ventas de un producto—. El sistema combina dos enfoques: un modelo transformer preentrenado (un tipo de red neuronal especializada en encontrar patrones en secuencias de datos) y una técnica llamada DARR (Domain-Aware Representation and Retrieval, representación y recuperación consciente del dominio), que busca patrones similares en datos históricos para mejorar las predicciones. El modelo se basa en MOMENT-1-large, un encoder (codificador de información temporal) con unos 340 millones de parámetros (los números ajustables que el modelo aprendió durante su entrenamiento). Kumo Forecast está disponible bajo licencia Apache 2.0, lo que permite usarlo y modificarlo libremente en proyectos comerciales.
El sistema funciona en dos modos. En el modo directo, toma una ventana de observaciones recientes —por ejemplo, las últimas 512 lecturas de temperatura de una máquina— y predice los valores futuros usando el modelo transformer y una capa de predicción entrenada específicamente para esa tarea. En modo DARR, además busca en un conjunto histórico más amplio de datos situaciones parecidas a la actual, recupera los patrones que siguieron aquellos episodios y combina esa información con la predicción directa del modelo. Los desarrolladores pueden ajustar cuánto peso tiene cada fuente en el pronóstico final. Esta separación entre la ventana de entrada (lo que el modelo ve inmediatamente) y el contexto histórico (el archivo de situaciones pasadas donde busca) es una de las claves del diseño, según explica Nvidia en la documentación técnica publicada en Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados).
Kumo Forecast incluye además un sistema de interpretabilidad que explica cómo llegó a cada predicción. A diferencia de muchos modelos de caja negra, este genera un «paquete de explicación» que muestra qué variables históricas influyeron más en cada punto del pronóstico, cómo fluyó la información a través del modelo y qué tan estables son las predicciones ante pequeños cambios en los datos de entrada. Estas explicaciones se producen sin modificar el modelo de predicción, gracias a una técnica llamada NVExplain que Nvidia describe en un artículo académico independiente. Para sectores regulados o aplicaciones críticas —como mantenimiento predictivo en una planta industrial o detección de fallos en equipos médicos—, poder auditar las predicciones es tan importante como su precisión.
El modelo acepta datos en formato DataFrame de pandas (la librería estándar de análisis de datos en Python) o archivos CSV y JSON, y requiere al menos una columna de tiempo y una o más columnas de valores numéricos. Soporta ventanas de entrada de 256, 512, 1024 o 2048 observaciones, y puede extender predicciones más allá de su horizonte nativo mediante autoregresión (usar sus propias predicciones como entrada para el siguiente paso). Nvidia ya ha integrado Kumo Forecast en su Factory Operations Blueprint, un conjunto de herramientas para operaciones industriales que analiza datos en tiempo real para anticipar anomalías y fallos en maquinaria. El código del modelo y los pesos preentrenados están disponibles públicamente en Hugging Face, junto con ejemplos de ajuste fino (fine-tuning, el proceso de adaptar el modelo a datos específicos de cada empresa) en el repositorio oficial.
