Nvidia lança modelo de previsão que combina aprendizado prévio com busca em dados históricos
Kumo Forecast usa um Transformer pré-treinado e um sistema de recuperação de padrões passados para prever séries temporais, como demanda de energia ou falhas em equipamentos, com código aberto sob licença Apache 2.0
A Nvidia lançou o Kumo Forecast, um modelo de IA para prever séries temporais (como demanda de energia ou falhas em máquinas) que combina um Transformer pré-treinado com 340 milhões de parâmetros (os ajustes internos da rede neural) e um sistema de busca de padrões em dados históricos. O código é aberto sob licença Apache 2.0.
A Nvidia lançou o Kumo Forecast (antigamente chamado NV-Tesseract Forecasting), um modelo de inteligência artificial para prever séries temporais — ou seja, sequências de dados que variam ao longo do tempo, como vendas mensais, consumo de energia ou temperatura de máquinas. Segundo informou a empresa em post no blog da Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados), o modelo combina duas fontes de informação: um Transformer pré-treinado (uma arquitetura de rede neural que aprende padrões gerais em grandes volumes de dados antes de ser aplicada a tarefas específicas) e um sistema chamado DARR (Domain-Aware Representation and Retrieval, ou "representação e recuperação consciente de domínio"), que busca padrões semelhantes em dados históricos fornecidos pelo usuário. O modelo está disponível sob licença Apache 2.0, permitindo uso comercial e modificação do código.
O Kumo Forecast parte de uma base chamada MOMENT-1-large, um codificador Transformer com cerca de 340 milhões de parâmetros (os "ajustes" internos que o modelo aprende durante o treinamento). Essa base fica congelada — ou seja, seus pesos (os valores numéricos que determinam como a rede processa informações) não mudam —, enquanto uma camada adicional, chamada "cabeça de previsão", é treinada para a tarefa específica. Além da previsão direta, o modelo pode ativar o modo DARR, em que busca na base histórica os trechos mais parecidos com a situação atual usando um método de vizinhos mais próximos (k-nearest neighbors, uma técnica que identifica exemplos similares em um conjunto de dados) e combina essas referências com a previsão do Transformer. O usuário controla o peso de cada caminho na configuração final.
A biblioteca aceita dados em formato de tabela (DataFrames do Pandas, uma ferramenta popular de análise de dados em Python, ou arquivos CSV e JSON) e exige que as séries tenham entre 256 e 2.048 observações. Os dados precisam incluir uma coluna de tempo e uma ou mais colunas numéricas; quando o modo DARR está ligado, a base histórica fornecida separadamente deve ter dimensões compatíveis. Para horizontes de previsão (o número de passos à frente que o modelo tenta prever) maiores que a capacidade nativa do modelo, a biblioteca estende as previsões de forma autorregressiva — ou seja, usa as próprias previsões como entrada para gerar os próximos passos.
O Kumo Forecast também inclui um sistema de interpretabilidade que funciona sem alterar a arquitetura do modelo. Quando ativado, ele gera explicações que mostram quais variáveis e quais momentos do passado mais influenciaram cada ponto da previsão, além de diagnósticos de estabilidade e fluxo semântico. Segundo a Nvidia, isso permite que desenvolvedores entendam por que o modelo fez determinada previsão, algo especialmente importante em aplicações industriais. A empresa apresentou o modelo em uma sessão na conferência GTC de 2026 em San Jose e o integrou ao módulo de manutenção preditiva do Factory Operations Blueprint, que usa dados em tempo real para antecipar falhas em equipamentos. O repositório oficial no GitHub inclui um exemplo de como ajustar o modelo a dados próprios, oferecendo tanto um fluxo de inferência (uso direto do modelo pré-treinado) quanto um ponto de partida documentado para adaptação.
