Lilith.
⌕
Redaktionelle Illustration: IBM bringt Zeitreihenprognosen direkt in Streaming SQL
Illustration von Lilith · redaktioneller Remix

IBM und Confluent haben Granite Modelle für Zeitreihen als integrierte SQL Funktionen in Apache Flink eingebaut. In Confluent Cloud werden sie verwaltet, auf Confluent Platform laufen sie on premises. Die Modelle nutzen CPUs. Laut IBM hat die Familie mehr als 50 Millionen Downloads erreicht.

Prognosen wandern vom Batch direkt in den Ereignisstrom

Die Integration bietet Vorhersagen und Anomalieerkennung für eintreffende Daten. Flink bereitet die Daten vor, ruft das Modell auf und verbindet das Ergebnis mit den auslösenden Ereignissen. Eine Anwendung kann reagieren, ohne auf den nächsten Batch Lauf zu warten.

IBM beschreibt mehrere Modelle und Aufgaben. Tiny Time Mixers erstellen Prognosen, TSPulse erzeugt Repräsentationen für die Ähnlichkeitssuche und AI_DETECT_ANOMALIES vergleicht neue Werte mit einem erwarteten Bereich. Ein vortrainiertes Modell dient vielen Zeitreihen als gemeinsamer Ausgangspunkt.

SQL verkürzt den Weg vom Signal zur Betriebsentscheidung

Die Integration zählt besonders dort, wo eine Prognose schnell an Wert verliert. Eine Produktionslinie kann die Qualität alle 10 Minuten bewerten und 4 Stunden vorausschauen. Die Bestandsplanung kann eine Prognose über 28 Tage aktualisieren. Ein Handelsalgorithmus kann bei jedem Minutenbalken das Volumen für 30 Minuten vorhersagen.

Diese Beispiele verbinden das Modell mit Regeln, Kontext und menschlicher Freigabe. Die Prognose entsteht dort, wo eine Anwendung bereits Bestellung, Zahlung oder Maschine verwaltet. Ein eigener Dienst nur für den Transport des Ergebnisses wird weniger nötig.

Beispielszenarien sind keine Produktionsergebnisse

Die Eisproduktion, Hafermilchbestellung und der Handel zeigen mögliche Abläufe. Die Quelle kennzeichnet einen Teil der Daten ausdrücklich als simuliert und nennt keine Produktionswerte für Genauigkeit, Latenz oder Kosten. Auch Downloads verraten nicht, wie viele Organisationen die Modelle betreiben.

Ein Foundation Model beseitigt keine Probleme mit der Datenqualität. Geänderte Sensoren, Saisonalität oder ein neuer Betriebszustand können den erwarteten Bereich entwerten. Bei Zahlungen und Handel bleibt das Ergebnis ein Signal neben Regeln, weiteren Modellen und Audit Trail.

Latenz, Fehlalarme und Versionskontrolle entscheiden über den Einsatz

Erste echte Referenzen sollten Latenz bei vielen Reihen, CPU Verbrauch und Genauigkeit gegenüber einfacheren statistischen Verfahren zeigen. Bei der Anomalieerkennung entscheidet die Fehlalarmrate, denn schlechte Warnungen zerstören den Nutzen eines günstigen Modells schnell.

Die zweite Prüfung betrifft den Betrieb. Teams müssen Modellversion, Eingabedaten und beeinflusste Entscheidung nachvollziehen können. Bewahrt Confluent diese Spur im Stream und ermöglicht einen sicheren Rollback, kann aus der SQL Funktion nützliche Infrastruktur werden.

Liliths Urteil

IBM hat keinen Wahrsager neben die Datenbank gesetzt. Die Prognose läuft jetzt auf demselben Band wie Zahlungen, Bestände und Sensordaten. Nun muss sich zeigen, wie viele Fehlalarme am Ende herunterfallen.