KI-Modelle und Plattformen
AWS bringt Zeitreihenanalyse mit OpenTSLM zu SageMaker JumpStart

Wichtige PunkteDie Feinabstimmung steigerte die ARFBench-Genauigkeit von 5,0 % auf 45,9 % bei…
Mehr anzeigen
- Die Feinabstimmung steigerte die ARFBench-Genauigkeit von 5,0 % auf 45,9 % bei zurückgehaltenen Vorfallfragen.
- Flamingos Darstellung fester Größe begrenzt den Modellspeicher, kann aber nicht garantieren, dass kurze Ereignisse in langen Aufzeichnungen erhalten bleiben.
- Die verwaltete Version erleichtert die Bereitstellung, während ihre Belege an bestimmte Zeitfenster und Antwortformate gebunden bleiben.
Amazon Web Services gab am 17. November 2026 bekannt, dass OpenTSLM-Flamingo Gemma 3 4B in Amazon SageMaker JumpStart, der Plattform von AWS für Modelle des maschinellen Lernens, verfügbar ist. Kunden können das Modell mit 5,24 Milliarden Parametern in ihrer eigenen AWS-Umgebung auf einem Echtzeit-Inferenzendpunkt von SageMaker AI bereitstellen.
OpenTSLM interpretiert numerische Messwerte zusammen mit Texten wie Wartungsprotokollen, Marktnachrichten und Beobachtungen von Ingenieuren und liefert anschließend Erklärungen und Antworten in natürlicher Sprache. Das JumpStart-Paket kombiniert Gemma 3 4B mit einem Zeitreilenencoder und Cross-Attention-Schichten, über die das Sprachmodell auf codierte Signale zugreifen kann. Bei Speicherung im bfloat16-Format belegen die Modellgewichte etwa 10,5 GB GPU-Speicher.
Das OpenTSLM-Forschungspapier grenzt diese Flamingo-Architektur von SoftPrompt ab. Beide behandeln Zeitreihen als natives Eingabeformat. SoftPrompt fügt der Sequenz des Sprachmodells jedoch gelernte Zeitreihentokens hinzu, während Flamingo einen Perceiver Resampler verwendet, um eine latente Repräsentation fester Größe zu erzeugen, und sie mithilfe von gegateter Cross-Attention integriert. Die ursprüngliche Evaluierung umfasste die Beantwortung von Fragen zu EKGs, Schlafstadien und menschlicher Aktivitätserkennung. Damit beruht die verwaltete Version auf einer Forschungsgrundlage aus dem Bereich medizinischer Daten und Wearable-Daten.
Das separate OpenTSLM-Repository steht unter der MIT-Lizenz und enthält Code zur Feinabstimmung; vortrainierte Checkpoints sind über die Hugging-Face-Organisation des Projekts verfügbar. Laut Repository ist das Projekt eine Zusammenarbeit zwischen dem Schmiedmayer Lab der Stanford University und dem Agentic Systems Lab der ETH Zürich.
Proaktiver IT-Support mit Nexthink
AWS beschreibt, wie Nexthink und Aionic Labs mit Spark, dem persönlichen IT-Agenten von Nexthink, auf proaktive Unterstützung hinarbeiten, damit Beschäftigte Hilfe erhalten können, bevor sie danach fragen. Der Arbeitsablauf kombiniert aktuelle Messwerte zu CPU, Arbeitsspeicher, Festplatte, Anwendungsstabilität und Konnektivität mit Ereignissen samt Zeitstempel, Gerätekonfigurationen und Softwareversionen. Das Modell liefert eine Zusammenfassung des Zustands mit den zugehörigen Signalen, empfiehlt eine Überprüfung und eine Maßnahme und nennt ein erwartetes Ergebnis, das Spark verifizieren kann.
Das Beispiel von AWS zu knappem Festplattenspeicher dient der Veranschaulichung. Das Modell verknüpft den Rückgang des freien Speicherplatzes, eine wachsende Festplattenwarteschlange und häufigere Anwendungshänger mit Symptomen wie langsamer Leistung oder Schwierigkeiten beim Speichern von Dateien. Spark prüft, ob eine von der IT genehmigte Bereinigung angebracht ist, zeigt den Beschäftigten, was dabei entfernt würde, und holt vor der Ausführung ihre Bestätigung ein. Anschließend überprüft Spark das Ergebnis und bietet eine Weiterleitung an den IT-Support an, falls das Problem weiterhin besteht.
Bereitstellungsgrenzen und Eingabefenster
Der standardmäßige Endpunkt ml.g6.2xlarge von AWS erfüllt die Anforderungen an eine einzelne GPU und bfloat16 mit einer NVIDIA L4 mit 24 GB und 32 GB Host-Speicher. Eine Anfrage kann bis zu vier Frageinstanzen enthalten, jeweils mit einer bis 32 numerischen Zeitreihen und bis zu 32.768 Werten pro Zeitreihe. Für die Bereitstellung des zugangsbeschränkten JumpStart-Modells müssen die Gemma-Nutzungsbedingungen akzeptiert werden.
Der Endpunkt standardisiert jede Zeitreihe auf einen Mittelwert von null und eine Standardabweichung von eins. Gleichzeitig übermittelt er den ursprünglichen Mittelwert und die ursprüngliche Standardabweichung als Text, damit das Modell sowohl die Form als auch die Größenordnung erhält. Echtzeitanfragen sind auf 60 Sekunden und einen Anfrageinhalt von 6 MB begrenzt. AWS gibt für die Standardinstanz eine Generierungsrate von etwa 20 Tokens pro Sekunde an. Instanzen werden nacheinander verarbeitet; für länger laufende Aufgaben wird asynchrone Inferenz empfohlen.
Die Repräsentation fester Größe von Flamingo begrenzt, welche Informationen das Sprachmodell erreichen. Sie verleiht dem Gesamtsystem jedoch weder unbegrenzten Speicher noch garantiert sie, dass ein kurzes Ereignis in einer sehr langen Aufzeichnung erkennbar bleibt. AWS empfiehlt, repräsentative normale und anomale Zeitfenster zu testen, bei kurzen Ereignissen die Abtastauflösung beizubehalten, zusammengehörige Kanäle aufeinander abzustimmen und Einheiten, Abtastintervalle sowie Beobachtungszeiträume in den Kontext aufzunehmen. Die Begrenzung der Nutzdaten und das für das Modell geeignete Analysefenster sind voneinander unabhängige Einschränkungen.
Feinabstimmung für Fragen zu Vorfällen
Der Anpassungsworkflow von AWS verwendet TimeNet, das ein einheitliches Datensatzformat und eine Python-API mit Konnektoren und unveränderlichen Versionen bereitstellt. In der Dokumentation von TimeNet wird der Anwendungsbereich ausdrücklich auf Daten beschränkt; Training, Inferenz, Modelldefinitionen und Evaluierungsmetriken gehören nicht dazu. Im Beispiel wird über TimeNet ein vortrainierter Checkpoint von Hugging Face und ein Datensatz von ARFBench geladen. Anschließend wird ein SageMaker-Trainingsauftrag ausgeführt, das angepasste Modell in Amazon S3 gespeichert und mit demselben Anfrageformat auf einem separaten Echtzeitendpunkt bereitgestellt.
Datadogs ARFBench umfasst 750 Multiple-Choice-Frage-Antwort-Paare aus 142 Zeitreihen zu 63 tatsächlichen internen Vorfällen. Grundlage dafür sind Telemetriedaten aus der Produktionsumgebung und zusätzlicher Kontext. Beim Trainingsauftrag werden der Zeitreihenencoder, der Perceiver Resampler, die Cross-Attention-Schichten und die Token-Embeddings des Sprachmodells aktualisiert; der übrige Teil von Gemma 3 bleibt eingefroren.
Bei einem eigenen Durchlauf von AWS auf einer ml.g7e.2xlarge-Instanz stieg die Genauigkeit bei 135 zurückgehaltenen ARFBench-Fragen von 5,0 % vor der Feinabstimmung auf 45,9 % danach. Das vortrainierte Modell ließ die meisten Antworten leer, während das angepasste Modell jede Frage mit einer der vorgegebenen Antwortoptionen beantwortete. Der Durchlauf zeigt die Anpassung an eine neue Aufgabe und ein neues Antwortformat. Er ist weder ein Vergleich mit anderen Modellen noch ein offizielles Ergebnis der ARFBench-Bestenliste.
Die Veröffentlichung auf JumpStart erleichtert die Bereitstellung und Anpassung einer nativen Zeitreihenarchitektur. Die vorliegenden Belege beziehen sich jedoch weiterhin auf bestimmte Zeitfenster, Aufgaben und Antwortformate. Für operative Teams ist entscheidend, ob geprüfte, repräsentative Beispiele zeigen, dass die Erläuterungen und Handlungsempfehlungen des Modells für die Arbeitsabläufe, die sie unterstützen sollen, zuverlässig genug sind.












