تعلن NVIDIA عن نموذج Kumo Forecast المفتوح للتنبؤ متعدد المتغيرات بالسلاسل الزمنية

أعلنت NVIDIA في 21 أكتوبر 2026 عن Kumo Forecast، وهو نموذج مفتوح للتنبؤ متعدد المتغيرات بالسلاسل الزمنية، يجمع بين بنية أساسية لمحوّل MOMENT-1-large مدرَّبة مسبقًا، وإمكانية اختيارية لاسترجاع البيانات التاريخية، وإطار عمل لتفسير النتائج لا يعتمد على نموذج بعينه. والنموذج، الذي كان يُعرف سابقًا باسم NV-Tesseract Forecasting، متاح بموجب ترخيص Apache 2.0، وقدّمت NVIDIA تفاصيله في منشور رسمي على مدونة Hugging Face.

كتب المنشور كل من Saira Qureshi وAditi Gautam وManikandan Ravikiran وSena Ekiz وViraj P Modak من NVIDIA. وتُوزَّع شيفرة النموذج عبر مستودع NVIDIA/Kumo-TS على GitHub، وهو مكتبة مفتوحة المصدر للسلاسل الزمنية تضم أيضًا حزمة Kumo-Anomaly القائمة على الانتشار، بينما تتوفر الأوزان المدرَّبة مسبقًا عبر بطاقة نموذج nvidia/Kumo-Forecast على Hugging Face. وتذكر البطاقة أن تاريخ إصدار النموذج على Hugging Face هو 04/07/2026، وأنه متاح عالميًا، وأن استخدامه المعلن يشمل الشركات والمؤسسات ومراكز الأبحاث التي تجري تنبؤات بالبيانات الزمنية لآفاق طويلة أو قصيرة.

البنية الأساسية المدرَّبة مسبقًا والتنبؤ المباشر

يستخدم Kumo Forecast مُرمِّز Transformer من نوع MOMENT-1-large بوصفه بنيته الأساسية، ويضم مُرمِّزًا أساسيًا يحتوي على نحو 340 مليون مُعامِل، إلى جانب رأس تنبؤ قابل للتدريب. وتظل أوزان المُرمِّز والمُضمِّن مجمّدة أثناء التدريب، بينما لا يُدرَّب سوى رأس التنبؤ، ما يفصل نموذج التمثيلات المدرَّب مسبقًا عن طبقة التنبؤ الخاصة بالمهمة. وفي مسار التنبؤ المباشر، يحوّل الرأس تمثيلات النموذج إلى قيم مستقبلية للأفق المطلوب؛ أما الآفاق التي تتجاوز القدرة الأصلية للنموذج، فتدعم المكتبة تمديدًا تكراريًا ذاتيّ الانحدار يوسّع نطاق التنبؤات بصورة متعاقبة.

توفر المكتبة واجهة برمجة تطبيقات تركّز أولًا على إطارات البيانات، مع إمكانية ضبط آفاق التنبؤ وإضافة سياق تاريخي اختياري للاسترجاع. ويجب أن تكون المدخلات بيانات زمنية رقمية تتألف من عمود للطابع الزمني وعمود رقمي واحد أو أكثر للقيم، وأن تُقدَّم في صورة إطار بيانات من pandas أو ملف CSV/JSON؛ وأطوال تسلسلات الإدخال المدعومة هي 256 و512 و1024 و2048 مشاهدة. أما المخرجات فهي إطارات بيانات من pandas تتضمن الطوابع الزمنية والقيم المتنبأ بها لأفق التنبؤ المحدد.

الاسترجاع DARR وقابلية التفسير

إلى جانب التنبؤ المباشر، يتضمن Kumo Forecast نمط التمثيل والاسترجاع المراعي للمجال (DARR)، وهو نمط معزَّز بالسياق يدعم التنبؤات باسترجاع أقرب الجيران k من البيانات التاريخية. وتتيح حزمة تطوير البرمجيات تمرير هذه البيانات التاريخية عبر وسيطة منفصلة باسم context_df، ما يميّز بين نافذة إدخال النموذج، التي توفر المشاهدات الحديثة، وسياق الاسترجاع، الذي يوفّر أنماطًا إضافية. ويمكن للمطورين ضبط مدى اعتماد التنبؤ النهائي على كل مسار من خلال خيارات الإعداد في المكتبة. وتشير NVIDIA إلى أن من قيود النظام وجوب تشابه أبعاد سياق الاسترجاع مع أبعاد سياق الإدخال.

يضبط مثال DARR في المستودع قيمة alpha على 0.2، ويصفها تعليق في الشيفرة بأنها تعني 20 بالمئة للتنبؤ المباشر و80 بالمئة لاسترجاع kNN، إلى جانب قيمة k تبلغ 64 ودرجة حرارة مقدارها 0.05. ولمزيد من التفاصيل عن هذا النمط، توجّه NVIDIA المطورين إلى الورقة البحثية التنبؤ المعزَّز بالذاكرة: قابلية التوسع والتعميم عبر المجالات الزمنية، التي تُدرجها قائمة المراجع في المستودع ضمن وقائع المؤتمر الدولي IEEE للبيانات الضخمة لعام 2025.

إطار قابلية التفسير مستقل عن النموذج، ويعمل من دون تعديل أداة التنبؤ الأساسية. وعند تفعيله، يُنتج حزمة تفسيرات تتضمن إسهامات الإزاحات والسمات لكل أفق تنبؤ، وتشخيصات التدفق الدلالي، وتشخيصات استقرار المسار، وتدرجات متكاملة للتضمينات عند اختيار ذلك. ويؤدي تمرير interpretability=True في حزمة تطوير البرمجيات إلى حفظ الحزمة إلى جانب التنبؤ في ملفات JSON وCSV، فضلًا عن تقرير بصيغة PDF.

يتبع إطار العمل البحث الأولي NVExplain: تفسير التنبؤ بالسلاسل الزمنية باستخدام تحليل المسارات الكامنة والنماذج البديلة الحافظة للبنية، الذي أعدّه Muyan Anna Li وManikandan Ravikiran وAditi Gautam، وقد قُدِّم إلى arXiv في 25 أغسطس 2026. ويصوغ البحث التنبؤ بوصفه مسارًا كامنًا، ويقدّم مفهوم التدفق الدلالي لقياس تطور المعلومات بمرور الوقت في التمثيلات الداخلية للنموذج، ثم يجمع ذلك التدفق في مصفوفة لإسهامات الإزاحات وآفاق التنبؤ، ويطبّق اضطرابات حافظة للبنية مع نماذج بديلة محلية متناثرة لإنتاج تفسيرات مفهومة للبشر. ويذكر المؤلفون أن صيغة التدفق الدلالي تحقق أمانة تنافسية أو أعلى مقارنة بخطوط الأساس التقليدية للتفسير اللاحق، مع كفاءة حسابية أعلى بكثير، وأن تحليلهم للاستقرار يحدد حالات ينبغي فيها توخي الحذر عند تطبيق التفسير.

بيانات التدريب ومتطلبات التشغيل وعمليات التكامل

وفقًا لبطاقة النموذج، استُخدمت في التدريب 3 ملايين نقطة بيانات، مع تقسيم كل مجموعة بيانات بنسبة 80/20، بدءًا من أرشيف Monash Time Series Forecasting Archive، الموصوف بأنه مجموعة متنوعة تضم 30 مجموعة بيانات أساسية، تشمل حالات متفاوتة من القيم المفقودة. وتشمل مجموعات البيانات المذكورة في البطاقة للتقييم: ECL، وهي بيانات استهلاك الكهرباء لدى 370 عميلًا، سُجّلت كل 15 دقيقة بين عامي 2011 و2014؛ وTraffic، وهي معدلات إشغال الطرق التي قاستها مستشعرات على الطرق السريعة في منطقة خليج سان فرانسيسكو؛ وETTh، وهي درجة حرارة زيت محولات الكهرباء وست سمات لأحمال الطاقة جُمعت كل ساعة على مدى عامين؛ وILI، وهي بيانات أسبوعية أمريكية من مراكز مكافحة الأمراض والوقاية منها تصف نسبة المرضى المصابين بأعراض شبيهة بالإنفلونزا إلى إجمالي المرضى. كما تستشهد البطاقة بأوراق MOMENT وTimeRAF وBeyond MAE حول أخطاء الاعتماد الزمني بوصفها مراجع.

يعمل Kumo-Forecast على PyTorch، مع دعم البنيتين الدقيقتين NVIDIA Ampere وHopper على Linux، وتشير بطاقة النموذج إلى إجراء اختبارات الاستدلال على أنظمة A100 وH100، تضم كل منها ثماني وحدات GPU. ويحدد المستودع Python 3.10 أو إصدارًا أحدث، وPyTorch 2.7 أو إصدارًا أحدث، إلى جانب pandas وnumpy، لتشغيل Kumo-Forecast؛ كما يوصي باستخدام GPU مع التحويل تلقائيًا إلى CPU عند تعذره، وينزّل الأوزان المدرّبة مسبقًا تلقائيًا من Hugging Face. وتوضح بطاقة النموذج أن النماذج مصممة ومحسّنة للأنظمة المعززة بوحدات GPU من NVIDIA، وأن دمجها في أنظمة الذكاء الاصطناعي يتطلب اختبارات إضافية خاصة بحالة الاستخدام، وفق منهجية V-model.

للتقييم بحسب التطبيق، توصي NVIDIA بمقارنة الإعدادات المباشرة والمعززة بالاسترجاع باستخدام فترات التنبؤ المحجوبة نفسها، والتحقق من جودة التنبؤ عبر الآفاق الزمنية وظروف التشغيل المقصودة. ويوفر مستودع Kumo-TS أيضًا مثالًا على الضبط الدقيق لـKumo-Forecast باستخدام ملف CSV يقدمه المستخدم، ما يتيح للمطورين مسارًا للاستدلال بنموذج مدرّب مسبقًا، ونقطة انطلاق موثقة لتكييف النموذج مع بياناتهم الخاصة. أما على صعيد النشر، فيتضمن Factory Operations Blueprint وصولًا مبكرًا إلى وحدة للصيانة التنبؤية تستخدم Kumo Anomaly وKumo Forecast لتحليل البيانات الآنية والتنبؤ بالشذوذات المستقبلية، ويربط منشور NVIDIA بجلسة في GTC San Jose 2026 تتناول تكامل المنصة.