Saltar al contenido principal
eKoFeed

IBM y Confluent integran modelos de series temporales en tiempo real sobre CPU con Apache Flink

IBM y Confluent integran modelos Granite de series temporales en Apache Flink sobre CPU para pronósticos y detección de anomalías en vivo.

·
Familia de cuatro modelos fundacionales de series temporales de IBM Granite con más de 50 millones de descargas disponibles en Confluent

La toma de decisiones en entornos empresariales depende cada vez más de interpretar señales numéricas continuas —lecturas de sensores, transacciones financieras, pedidos o variaciones de inventario— mientras los eventos aún están ocurriendo. Con ese objetivo, IBM y Confluent han integrado los modelos fundacionales de series temporales de la familia Granite directamente en flujos de datos en tiempo real, según detalla IBM Research en el blog de Hugging Face.

Esta familia de modelos, que supera los 50 millones de descargas, ya funciona de forma nativa dentro de Confluent como funciones integradas mediante Apache Flink y SQL. La arquitectura permite ejecutar pronósticos, detección de anomalías e inteligencia semántica directamente sobre CPU estándar, sin necesidad de infraestructura dedicada de GPU, tanto en entornos gestionados en la nube como en despliegues on-premises.

Arquitectura Streamhouse para inteligencia en tiempo real

Las operaciones comerciales generan actualizaciones constantes, pero la información suele quedar fragmentada entre sistemas con distintos ciclos de refresco o procesos por lotes (batch). Cuando las aplicaciones o los agentes de inteligencia artificial actúan sobre datos desactualizados, sus decisiones pierden precisión frente al estado real del negocio.

El enfoque denominado Streamhouse resuelve esta brecha al capturar, procesar, gobernar y servir el contexto operativo de manera continua. La plataforma de Confluent unifica cinco capacidades —conectar, transmitir, procesar, gobernar y consultar— apoyándose en Apache Flink para enriquecer los eventos en tránsito y en Lightning Tables para ofrecer acceso de baja latencia al estado actual.

Arquitectura Streamhouse en Confluent desde fuentes de datos existentes hasta contexto empresarial en tiempo real para agentes y aplicaciones
Arquitectura Streamhouse en Confluent desde fuentes de datos existentes hasta contexto empresarial en tiempo real para agentes y aplicaciones

Sobre esta base, los modelos fundacionales de series temporales aportan capacidad predictiva sin exigir el entrenamiento de un modelo independiente para cada métrica. Los equipos pueden partir de modelos preentrenados y, según el caso de uso, aplicar fine-tuning o combinar sus salidas con modelos de lenguaje, estadística tradicional y reglas de negocio.

Capas de la arquitectura Streamhouse incluyendo experiencia agéntica, soluciones integrales e inteligencia nativa en flujo
Capas de la arquitectura Streamhouse incluyendo experiencia agéntica, soluciones integrales e inteligencia nativa en flujo

Esta integración nativa en el flujo aporta cuatro ventajas operativas principales:

  • Escalabilidad en el desarrollo: un único modelo preentrenado sirve como punto de partida común para miles de series temporales distintas.
  • Actualización continua de predicciones: los pronósticos incorporan cada nueva observación en vivo conforme avanza el pipeline de datos.
  • Proximidad a la acción: las señales predictivas y alertas llegan de inmediato a las aplicaciones operativas y a los responsables de aprobar excepciones.
  • Eficiencia de cómputo en CPU: su diseño compacto facilita la ejecución junto al flujo de datos sin requerir aceleradores gráficos dedicados.
Flujo dinámico de inteligencia de series temporales nativa en Apache Flink sobre Confluent
Flujo dinámico de inteligencia de series temporales nativa en Apache Flink sobre Confluent

La combinación de datos en flujo continuo y modelos de series temporales habilita escenarios críticos donde el valor de una predicción depende de su inmediatez. En lugar de esperar a reportes de cierre de turno o ciclos semanales de planificación, los sistemas evalúan cada evento al instante para anticipar desvíos de calidad, roturas de inventario o comportamientos anómalos.

Caso de usoModelo o funciónVentana y datos claveResultado operativo
Optimización de producciónTTM preentrenadoTelemetría SCADA y laboratorio cada 10 minutos; pronóstico a 4 horasEvalúa ajustes de temperatura y flujo de aire antes de generar mermas
Detección de anomalíasAI_DETECT_ANOMALIESRangos dinámicos por producto y tienda según historial recienteEvita falsas alarmas por picos de fin de semana y detecta caídas silenciosas
Cadena de suministroAI_FORECASTPronóstico de demanda a 28 días con rango P10–P90Calcula puntos de reorden por SKU y genera borradores de compra
Fraude y seguridadPerfilado temporal individualComparación de cada pago frente al gasto habitual de la tarjetaAporta contexto en vivo para aprobar, investigar o pedir autenticación adicional
Trading algorítmicoPatchTST-FMBarras de un minuto con proyección de volumen a 30 minutos (P10–P90)Ajusta el ritmo de órdenes grandes dentro del límite de participación
Búsqueda semánticaTSPulseRepresentaciones (embeddings) de ventanas temporalesLocaliza patrones históricos similares en sensores para agilizar diagnósticos

Aplicaciones sectoriales en producción

Más allá de cada función aislada, la integración de Flink y los modelos Granite permite orquestar flujos completos adaptados a las exigencias de distintos sectores industriales y de servicios.

  • Industria y manufactura: las plantas conectan flujos SCADA, de laboratorio y de consumo energético para ajustar parámetros de proceso (setpoints) dentro del mismo ciclo productivo, reduciendo el retrabajo y el gasto energético por tonelada.
  • Comercio minorista (retail): las cadenas cruzan ventas, promociones y clima por tienda para automatizar órdenes de reposición antes de que falte mercancía en el estante y para detectar entregas fallidas o cobros sospechosos.
  • Banca y mercados financieros: las entidades evalúan cada transacción y cada símbolo bursátil frente a su propio comportamiento esperado, frenando pruebas fraudulentas de tarjetas sin bloquear a clientes legítimos y modulando órdenes institucionales sin distorsionar el precio.
  • Aerolíneas: los centros de control monitorizan en tiempo real telemetría de motores, puertas de embarque y red de vuelos para anticipar disrupciones, reasignar tripulaciones y posicionar repuestos en el destino exacto de la aeronave.

En todos estos entornos, la arquitectura Streamhouse delega el procesamiento continuo en Apache Flink y los modelos Granite, mientras los agentes en flujo actúan sobre el contexto actualizado y los operadores humanos validan las excepciones críticas.

Fuente: Hugging Face — IBM Research