Lilith.
⌕
Ilustracja redakcyjna: IBM umieszcza prognozowanie szeregów czasowych bezpośrednio w streaming SQL
Ilustracja Lilith · remiks redakcyjny

IBM i Confluent zintegrowały modele szeregów czasowych Granite z Apache Flink jako wbudowane funkcje SQL. W Confluent Cloud są zarządzane, a na Confluent Platform mogą działać on premises. Modele wykorzystują CPU, a według IBM cała rodzina przekroczyła 50 mln pobrań.

Prognoza przenosi się z batcha bezpośrednio do strumienia zdarzeń

Integracja udostępnia prognozowanie i wykrywanie anomalii na napływających danych. Flink przygotowuje dane, wywołuje model i dołącza wynik do zdarzeń, które go wywołały. Aplikacja może zareagować bez czekania na kolejny batch.

IBM opisuje kilka modeli i zadań. Tiny Time Mixers odpowiadają za prognozowanie, TSPulse tworzy reprezentacje do wyszukiwania podobnych przebiegów, a AI_DETECT_ANOMALIES porównuje nową obserwację z oczekiwanym zakresem. Model wstępnie wytrenowany daje wspólny punkt startowy dla wielu szeregów.

SQL skraca drogę od sygnału do decyzji operacyjnej

Integracja ma największą wartość tam, gdzie prognoza szybko się dezaktualizuje. Linia produkcyjna może oceniać jakość co 10 minut i przewidywać stan na 4 godziny. Planowanie zapasów może odświeżać prognozę na 28 dni, a algorytm handlowy na każdej świecy minutowej szacować wolumen na kolejne 30 minut.

Przykłady łączą model z regułami, kontekstem i akceptacją człowieka. Prognoza trafia do miejsca, w którym aplikacja już obsługuje zamówienie, płatność lub maszynę. Zespół nie musi budować osobnej usługi tylko do przesyłania wyniku modelu.

Scenariusze demonstracyjne nie są wynikami produkcyjnymi

Linia lodów, uzupełnianie mleka owsianego i handel pokazują możliwe workflow. Źródło wyraźnie oznacza część danych jako symulowane i nie podaje produkcyjnych metryk dokładności, opóźnienia ani kosztów. Liczba pobrań również nie mówi, ile organizacji faktycznie używa modeli.

Foundation model nie usuwa problemów z jakością danych. Zmiana czujnika, sezonowość lub nowy tryb pracy mogą zaburzyć oczekiwany zakres. W płatnościach i handlu wynik powinien pozostać jednym z sygnałów obok reguł, innych modeli i audytu.

O wdrożeniach zdecydują opóźnienia, fałszywe alarmy i wersjonowanie

Pierwsze rzeczywiste referencje powinny pokazać opóźnienie dla dużej liczby szeregów, zużycie CPU i dokładność względem prostszych metod statystycznych. W wykrywaniu anomalii kluczowy będzie odsetek fałszywych alarmów, bo strumień błędnych ostrzeżeń szybko odbiera wartość taniemu modelowi.

Drugim sprawdzianem jest zarządzanie. Zespół musi odtworzyć wersję modelu, dane wejściowe i decyzję, na którą wpłynęła prognoza. Jeżeli Confluent zachowa tę ścieżkę w strumieniu i umożliwi bezpieczny rollback, funkcja SQL może stać się elementem infrastruktury zamiast efektownym demo.

Werdykt Lilith

IBM nie posadziło wróżbity obok bazy danych. Umieściło prognozę na taśmie, którą jadą płatności, zapasy i odczyty czujników. Teraz musi pokazać, ile fałszywych alarmów spada z niej na końcu.