Прогноз по потоку из Flink SQL: IBM Granite в Confluent Cloud

IBM и Confluent запустили Early Access к четырём моделям Granite для временных рядов в Confluent Cloud на AWS. Прогноз и поиск аномалий идут прямо из Apache Flink через AI_FORECAST и AI_DETECT_ANOMALIES, без отдельного ML-стека и без выгрузки потока в хранилище.

Модели уже набрали 44M+ загрузок на Hugging Face Hub. IBM тестировала их у себя и у партнёров в цементе, стали, телекоме и ритейле; заявляют прирост продуктивности в 5–10 раз и перенос работы от дата-сайентистов к тем, кто принимает решения.

Как вызвать из Flink SQL

Инференс встроен в Confluent Cloud: платформа сама разворачивает модель, масштабирует и крутит runtime. В запросе достаточно окна по времени: модель меняется параметром model в JSON, пайплайн не пересобирают. Flink держит состояние по каждому ряду. Следующее значение считается против недавней истории, аномалия против текущей нормы, без отдельной базы на каждый вызов.

Четыре модели в портфеле

• PatchTST-FM: прогноз с полным распределением, каждая переменная в своём канале
• FlowState: непрерывная динамика, и секундные SCADA, и часовые рыночные ряды
• TTM: компактная сеть на CPU, до 100 000 рядов за ночь без GPU
• TSPulse: аномалии, классификация, gap-filling и поиск похожих эпизодов в истории

Результаты инференса пишутся в Kafka-топики. Их читают алерты, дашборды, lakehouse и агенты. Схемы, lineage и RBAC те же, что у остального стриминга; топики можно переиграть для аудита. Веса открыты на Hugging Face Hub. Inference нативно в облаке Confluent или на своих CPU; позже те же модели обещают в Confluent Platform для on-prem и hybrid.

Источник: Real-Time Intelligence with IBM Time Series Models on Confluent.