IBM Granite Time Series Modelleri Confluent Cloud'da Early Access'te

IBM ve Confluent, zaman serisi foundation modellerini Confluent Cloud üzerinde sıfır konfigürasyon, yerleşik yönetişim ve verimlilik ile sunuyor. IBM Granite Time Series modelleri Confluent Cloud'da Early Access aşamasında bulunuyor ve verinin zaten akışta olduğu ortamda çalıştırılıyor. Confluent Platform desteği ise sonraki aşamada devreye girecek.

IBM Granite Time Series Modellerinin Confluent Cloud Entegrasyonu

Modeller, Apache Flink üzerinde native inference ile doğrudan streaming veriler üzerinde çalıştırılıyor. AI_FORECAST ve AI_DETECT_ANOMALIES Flink SQL fonksiyonları üzerinden tek parametre değişikliğiyle farklı modeller arasında geçiş yapılabiliyor. Bu yaklaşım, ayrı bir ML platformu veya veri ambarı ihtiyacı ortadan kaldırıyor. Confluent, model serving, altyapı, ölçeklendirme ve runtime operasyonlarını yönetiyor; böylece kullanıcılar credential yönetimi veya pipeline entegrasyonuyla uğraşmıyor.

Inference sonuçları Kafka topic'lerine yazılıyor ve alerting sistemleri, dashboard'lar, lakehouse'lar ile AI agent'lar tarafından kullanılabiliyor. Confluent Cloud, RBAC, schema, lineage ve access control gibi governance özelliklerini inference pipeline'larına da uyguluyor. Kafka topic'leri durable ve replayable olduğu için denetim, troubleshooting ve historical data üzerinde yeniden inference çalıştırma mümkün oluyor. Maliyet açısından cloud ingress/egress ücreti yok ve ayrı GPU veya model-serving altyapısı gerektirmiyor.

Dört Modelden Oluşan Portfolio ve Kullanım Alanları

IBM ve Confluent, tek bir model yerine karar tipine göre uyarlanmış dört complementary time series foundation modeli sunuyor: PatchTST-FM, FlowState, TTM ve TSPulse. Bu modeller forecasting, anomaly detection, optimization ve semantic intelligence için tasarlandı. PatchTST-FM dağılım döndürerek planlama için yüzde 90'lık dilim gibi eşikleri kullanmaya olanak tanıyor. TTM, küçük mixing network'lerle yüz binlerce seriyi CPU üzerinde işleyebiliyor. TSPulse ise anomaly detection, classification, gap-filling ve “daha önce gördük mü?” sorusuna odaklanıyor.

Modeller Hugging Face Hub üzerinden open weights ile de indirilebiliyor ve kendi CPU'larda çalıştırılabiliyor. IBM, modelleri önce kendi ürün ve operasyonlarında, ardından çimento, çelik, kağıt hamuru, gıda ve telekomünikasyon sektörlerindeki tasarım partnerlarıyla test etti. Sonuçlar, doğruluk başına milyonlarca dolar değer, 5 ila 10 kat üretkenlik artışı ve uzman işinin domain uzmanlarına kayması şeklinde özetleniyor.

Gerçek Zamanlı Streaming ve İşletmelere Etkisi

Confluent'in streaming platformu, sensör telemetrisi, ödeme aktivitesi ve uygulama metrikleri gibi canlı iş sinyallerini yakalıyor. Bu veriler IBM Granite Time Series modelleri tarafından forecasting, anomaly detection, similarity search, classification, gap-filling ve optimization için kullanılıyor. Stateful işlemler Flink tarafından yönetiliyor; her seri için keyed ve fault-tolerant state tutuluyor, ayrı veri deposu ihtiyacı ortadan kalkıyor.

Bu entegrasyon, karar penceresi kapanmadan önce aksiyon alınmasını sağlıyor. Örneklerde, çikolata temperleme hattında forecast ile planlama, anomaly detection ile erken sapma tespiti ve geçmiş benzer koşullar için semantic search yer alıyor. Erken erişim Confluent Cloud on AWS üzerinden açıldı. Kullanıcılar kendi akışlarında forecasting ve anomaly detection uygulayarak IBM ve Confluent ekipleriyle doğrudan çalışabiliyor. Early Access döneminde ücret alınmıyor ve geri bildirimler gelecek model gelişimlerini şekillendiriyor.