¿Qué pasaría si una empresa pudiera detectar una falla, anticipar una compra o bloquear un fraude mientras el evento todavía está ocurriendo? Esa es la propuesta de IBM y Confluent: combinar modelos fundacionales para series de tiempo con datos empresariales en streaming.
La colaboración lleva los modelos IBM Granite Time Series directamente a Confluent Cloud, donde pueden ejecutarse dentro de Apache Flink. El objetivo es reducir la distancia entre un dato que cambia y la decisión que depende de él.
De modelos aislados a inteligencia en tiempo real
Hasta ahora, trabajar con series de tiempo suele implicar construir un modelo específico para cada producto, sensor, tarjeta o línea de producción. Ese proceso requiere datos preparados, ingeniería de variables, especialistas y meses de trabajo.
Por eso muchas empresas solo modelan las series más importantes. El resto se cubre con inventario adicional, capacidad de reserva o márgenes de seguridad. Es una estrategia comprensible, pero costosa: cuando llega la predicción, la oportunidad de actuar puede haber desaparecido.
Los modelos fundacionales para series de tiempo, conocidos como TSFM, buscan cambiar esa dinámica. Se entrenan con señales variadas y pueden generalizar a series que nunca habían visto. A partir de una ventana de datos, pueden estimar qué ocurrirá después, detectar comportamientos anómalos, encontrar episodios históricos parecidos y evaluar qué configuración podría alcanzar un objetivo.
La idea no es que cada equipo tenga que convertirse en un laboratorio de inteligencia artificial. La idea es convertir capacidades complejas en funciones que un experto del negocio pueda utilizar.
Qué aporta la integración con Confluent
Confluent mantiene los datos empresariales en movimiento. Sensores industriales, pagos, métricas de aplicaciones y eventos operativos pueden llegar continuamente a sus flujos de datos.
IBM Granite Time Series utiliza ese contexto actualizado para generar pronósticos, detectar anomalías, completar datos faltantes, clasificar comportamientos, buscar episodios similares y apoyar procesos de optimización.
La inferencia se ejecuta de forma nativa dentro de Confluent Cloud para Apache Flink. Esto evita extraer las series hacia otra plataforma de aprendizaje automático o un almacén de datos antes de analizarlas.
La integración también permite que Flink gestione el estado de cada serie. Esto es importante porque una predicción depende de la historia reciente y una anomalía solo tiene sentido frente a un patrón normal que se actualiza con el tiempo.
Entre los beneficios anunciados se encuentran:
- Inteligencia donde viven los datos: los modelos trabajan directamente sobre flujos en tiempo real.
- Configuración simplificada: Confluent administra el servicio de modelos, la infraestructura, el escalamiento y las operaciones del entorno.
- Contexto actualizado: los resultados se basan en el estado actual del negocio, no en lotes antiguos.
- Gobernanza integrada: esquemas, linaje, controles de acceso y trazabilidad se mantienen dentro de la plataforma.
- Resultados reutilizables: las predicciones pueden escribirse en temas de Kafka y consumirse desde alertas, tableros, lakehouses o agentes de IA.
- Menor complejidad operativa: no hace falta mantener servidores dedicados de inferencia o GPU para estos casos.
- Seguridad empresarial: los datos permanecen dentro de Confluent Cloud y respetan las políticas de control de acceso.
Para los equipos, el cambio práctico es relevante. En vez de crear una arquitectura completa alrededor de cada modelo, pueden llamar estas capacidades mediante funciones SQL conocidas.
Cuatro modelos para preguntas diferentes
IBM y Confluent no presentan un único modelo para todos los escenarios. La propuesta incluye cuatro modelos fundacionales de series de tiempo, disponibles en Early Access y utilizables mediante las funciones AI_FORECAST y AI_DETECT_ANOMALIES de Flink SQL.
La elección depende de preguntas concretas: ¿se analizará una sola serie o cientos de miles?, ¿hay varias variables relacionadas?, ¿se necesita una distribución de posibles resultados?, ¿la prioridad es pronosticar o detectar anomalías?
PatchTST-FM
PatchTST-FM procesa las señales en fragmentos temporales, de manera parecida a cómo un modelo de lenguaje procesa partes de un texto. Cada variable mantiene su propio canal, lo que reduce el riesgo de que una señal ruidosa distorsione a las demás.
Además, puede entregar una distribución de resultados y no solo un número. Esto permite que un planificador elija, por ejemplo, un nivel de inventario asociado al percentil 90 de la demanda esperada.
FlowState
FlowState mantiene un resumen actualizado con cada nuevo dato. Su diseño está pensado para comportamientos continuos en el tiempo, desde señales SCADA capturadas cada pocos segundos hasta datos financieros de frecuencia horaria.
TTM
TTM utiliza redes pequeñas para combinar información temporal y multivariable. Su tamaño reducido permite ejecutar inferencias en CPU y cubrir grandes cantidades de series, incluso cientos de miles de ellas, sin depender de una infraestructura costosa.
TSPulse
TSPulse combina representaciones del dominio temporal y frecuencial. Está orientado a tareas como detección de anomalías, clasificación, completado de datos y búsqueda de comportamientos similares.
Los modelos pueden cambiarse con un parámetro SQL, sin rediseñar todo el flujo de datos. Un ejemplo de pronóstico es:
SELECT
AI_FORECAST(
load_kw,
event_time,
JSON_OBJECT('model' VALUE 'ttm', 'horizon' VALUE 12)
) OVER (
ORDER BY event_time
RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
) AS forecast
FROM meter_readings;
El valor de model puede modificarse para probar otro modelo de la cartera. La consulta y el pipeline general permanecen intactos.
Casos de uso: inventario, fraude y fábricas
Imagina una cadena de supermercados que necesita pronosticar la demanda de todo su catálogo. Los modelos fundacionales pueden trabajar con productos que nunca habían visto, incorporar factores como promociones o clima y producir una distribución de resultados.
Eso permite transformar un pronóstico en una política: cuánto reponer para alcanzar determinado nivel de servicio, cuándo asignar inventario a una tienda o cuándo aplicar un descuento antes de que un producto pierda valor.
En este escenario, cada resultado puede activar una acción. El pronóstico llega a un tema de Kafka y lo consumen los sistemas de reposición, precios, asignación y planificación. Ya no se trata únicamente de generar un informe, sino de alimentar decisiones mientras todavía pueden cambiar el resultado.
La detección de anomalías presenta otro ejemplo. En un banco, el sistema puede mantener un patrón normal por tarjeta y evaluar cada pago cuando todavía está en curso.
Una compra habitual puede pasar sin fricción, mientras que una transacción que se aleja bruscamente del comportamiento histórico puede activar una revisión. El modelo también puede buscar casos parecidos para que el analista no reciba solo una alerta, sino contexto sobre lo que ocurrió en situaciones anteriores.
En una planta industrial, los datos de temperatura, velocidad, presión, viscosidad y producción pueden alimentar un modelo en tiempo real. El sistema podría anticipar una desviación, simular cómo cambiaría el resultado con otros parámetros y recomendar una configuración que respete las restricciones del proceso.
La diferencia es que el experto de la planta puede definir el objetivo, como aumentar el rendimiento o reducir el consumo energético, sin tener que construir desde cero un modelo de aprendizaje automático.
El valor de encontrar precedentes
Una capacidad especialmente interesante es la búsqueda de similitud. Los modelos convierten una ventana de comportamiento en un vector, una representación compacta que permite comparar formas parecidas aunque tengan escalas o valores diferentes.
Así, una empresa puede responder preguntas como estas:
- ¿Qué productos tuvieron una demanda parecida durante su lanzamiento?
- ¿Qué ejecuciones anteriores se comportaron como esta línea de producción?
- ¿Qué casos de fraude se parecen a esta transacción?
- ¿Qué ocurrió la última vez que un equipo mostró este patrón?
El resultado no es únicamente una puntuación. Es un precedente que puede alimentar una investigación, un agente de IA o una decisión humana con más contexto.
Disponibilidad y próximos pasos
La integración se encuentra en Early Access en Confluent Cloud para AWS. La propuesta inicial incluye pronósticos y detección de anomalías directamente sobre los flujos de datos, sin exigir entrenamiento adicional, ingeniería de variables o experiencia especializada en IA.
Confluent Platform será el siguiente paso, con la intención de llevar los mismos modelos a entornos locales e híbridos. IBM también destaca la procedencia de los modelos, la transparencia de licencias y su marco de gobernanza empresarial.
La apuesta es clara: pasar de modelos aislados que generan informes a funciones integradas en los sistemas donde ocurren las decisiones. Cuando un sensor se desvía, un cliente realiza un pago o la demanda cambia, esperar al siguiente lote de datos puede ser demasiado tarde.
La inteligencia en series de tiempo gana valor cuando no solo explica lo que ocurrió, sino que ayuda a actuar mientras el evento sigue abierto. Ahí está el verdadero aporte de esta integración: convertir señales vivas en pronósticos, alertas y acciones que puedan entrar directamente en el flujo operativo.
Fuente original
https://huggingface.co/blog/ibm-research/real-time-intelligence