Modely a platformy AI
AWS přináší uvažování nad časovými řadami OpenTSLM do SageMaker JumpStart

Klíčové bodyDoladění zvýšilo přesnost ARFBench z 5,0 % na 45,9 % u vyhrazených otázek k incidentům.
Zobrazit více
- Doladění zvýšilo přesnost ARFBench z 5,0 % na 45,9 % u vyhrazených otázek k incidentům.
- Flamingo má pevně danou velikost reprezentace, která omezuje paměť modelu, ale nemůže zaručit, že krátké události přežijí dlouhé nahrávky.
- Spravované vydání usnadňuje nasazení, zatímco jeho důkazy zůstávají vázány na konkrétní časová okna a formáty odpovědí.
Společnost Amazon Web Services 17. listopadu 2026 oznámila, že OpenTSLM-Flamingo Gemma 3 4B je k dispozici v Amazon SageMaker JumpStart, centru AWS pro modely strojového učení. Zákazníci mohou tento model s 5,24 miliardy parametrů nasadit na koncový bod SageMaker AI pro inferenci v reálném čase ve vlastním prostředí AWS.
OpenTSLM interpretuje číselná měření spolu s texty, jako jsou záznamy o údržbě, zprávy z trhu a pozorování techniků, a poté poskytuje vysvětlení a odpovědi v přirozeném jazyce. Balíček JumpStart kombinuje Gemma 3 4B s kodérem časových řad a vrstvami křížové pozornosti, které jazykovému modelu umožňují zaměřit se na zakódované signály. Jeho váhy při uložení ve formátu bfloat16 zabírají přibližně 10,5 GB paměti GPU.
Výzkumná studie OpenTSLM odlišuje tuto architekturu Flamingo od SoftPrompt. Obě řešení považují časové řady za nativní vstupní modalitu, ale SoftPrompt přidává do sekvence jazykového modelu naučené tokeny časových řad, zatímco Flamingo pomocí Perceiver Resampleru vytváří latentní reprezentaci pevné velikosti a integruje ji prostřednictvím řízené křížové pozornosti. Původní hodnocení zahrnovalo zodpovídání otázek týkajících se EKG, určování spánkových fází a rozpoznávání lidské aktivity, takže spravovaná verze vychází z výzkumných poznatků založených na zdravotnických datech a datech z nositelných zařízení.
Samostatný repozitář OpenTSLM je licencován pod licencí MIT a obsahuje kód pro dolaďování; předtrénované kontrolní body jsou k dispozici prostřednictvím organizace projektu na Hugging Face. Uvádí, že projekt je výsledkem spolupráce Schmiedmayerovy laboratoře na Stanfordově univerzitě a laboratoře Agentic Systems na ETH Zurich.
Proaktivní podpora IT od Nexthink
Podle AWS společnosti Nexthink a Aionic Labs pracují na proaktivní asistenci prostřednictvím Spark, osobního IT agenta společnosti Nexthink, aby zaměstnanci mohli získat pomoc dříve, než o ni požádají. Pracovní postup kombinuje nedávná měření procesoru, paměti, disku, stability aplikací a konektivity s událostmi opatřenými časovými značkami, konfigurací zařízení a verzemi softwaru. Model poskytuje souhrn stavu s podpůrnými signály, doporučenou kontrolou a postupem a očekávaným výsledkem, který může Spark ověřit.
Příklad AWS s nedostatkem místa na disku je pouze ilustrativní. Model spojuje ubývající volné místo, rostoucí frontu disku a častější zamrzání aplikací s příznaky, jako je pomalý výkon nebo potíže s ukládáním souborů. Spark ověří, zda je vhodné provést úklid schválený IT oddělením, ukáže zaměstnanci, co by se odstranilo, a před provedením akce si vyžádá potvrzení. Poté zkontroluje výsledek a v případě přetrvávajícího problému nabídne předání požadavku podpoře IT.
Omezení nasazení a vstupní okna
Výchozí koncový bod AWS ml.g6.2xlarge splňuje požadavky na jednu GPU a formát bfloat16 díky jedné kartě NVIDIA L4 s kapacitou 24 GB a hostitelské paměti o velikosti 32 GB. Jeden požadavek může obsahovat až čtyři instance otázek; každá může zahrnovat jednu až 32 číselných řad a až 32 768 hodnot na řadu. Nasazení modelu JumpStart s omezeným přístupem vyžaduje přijetí podmínek použití Gemma.
Koncový bod normalizuje každou řadu tak, aby měla průměr nula a směrodatnou odchylku jedna, a zároveň jako text předává její původní průměr a směrodatnou odchylku, aby model získal informace o tvaru i měřítku. Volání v reálném čase mají limit 60 sekund a maximální velikost těla požadavku 6 MB. AWS uvádí, že výchozí instance generuje přibližně 20 tokenů za sekundu; instance se zpracovávají postupně a pro déle trvající úlohy se doporučuje asynchronní inference.
Reprezentace Flamingo s pevnou velikostí omezuje množství informací, které se dostanou k jazykovému modelu, ale neznamená to, že celý systém má neomezenou paměť nebo že krátká událost zůstane rozpoznatelná i ve velmi dlouhém záznamu. AWS doporučuje testovat reprezentativní běžná i abnormální časová okna, zachovat dostatečné rozlišení vzorkování pro krátké události, sladit související kanály a do kontextu zahrnout jednotky, intervaly vzorkování a období pozorování. Limit velikosti datové části a délka okna vhodného pro analýzu modelem jsou dvě samostatná omezení.
Doladění pro otázky týkající se incidentů
Pracovní postup AWS pro přizpůsobení využívá TimeNet, který nabízí jednotný formát datových sad a rozhraní API pro Python včetně konektorů a neměnných verzí. Dokumentace TimeNet výslovně omezuje jeho působnost na data; trénování, inference, definice modelů a metriky hodnocení do něj nespadají. Ukázka načte předtrénovaný kontrolní bod z Hugging Face a data ARFBench prostřednictvím TimeNet, spustí trénovací úlohu SageMaker, uloží přizpůsobený model do Amazon S3 a nasadí jej na samostatný koncový bod pro inferenci v reálném čase se stejným formátem požadavků.
ARFBench od společnosti Datadog obsahuje 750 dvojic otázek a odpovědí s výběrem z více možností, odvozených ze 142 časových řad, které zachycují 63 skutečných interních incidentů, a využívá provozní telemetrii i další kontext. Trénovací úloha aktualizuje kodér časových řad, Perceiver Resampler, vrstvy křížové pozornosti a vnoření tokenů jazykového modelu, zatímco zbývající část modelu Gemma 3 zůstává zmrazená.
Vlastní test AWS na jedné instanci ml.g7e.2xlarge zvýšil přesnost u 135 otázek ARFBench vyhrazených pro testování z 5,0 % před doladěním na 45,9 % po něm. Předtrénovaný model ponechal většinu odpovědí prázdných, zatímco přizpůsobený model odpověděl na každou otázku výběrem jedné z nabízených možností. Test ukazuje přizpůsobení novému úkolu a formátu odpovědí; nejde o srovnání s jinými modely ani o oficiální výsledek žebříčku ARFBench.
Vydání na JumpStart usnadňuje nasazení a přizpůsobení nativní architektury pro časové řady, její výsledky se však stále vztahují ke konkrétním časovým oknům, úlohám a formátům odpovědí. Pro provozní týmy je zásadní otázkou, zda prověřené reprezentativní příklady ukazují, že vysvětlení modelu a doporučené kroky jsou dostatečně spolehlivé pro pracovní postupy, které mají podporovat.












