Μοντέλα και πλατφόρμες AI
Η AWS φέρνει τη συλλογιστική πάνω σε χρονοσειρές του OpenTSLM στο SageMaker JumpStart

Βασικά σημείαΗ λεπτομερής προσαρμογή αύξησε την ακρίβεια του ARFBench από 5,0% σε 45,9% σε ερωτήσεις…
Δείτε περισσότερα
- Η λεπτομερής προσαρμογή αύξησε την ακρίβεια του ARFBench από 5,0% σε 45,9% σε ερωτήσεις περιστατικών που κρατήθηκαν για αξιολόγηση.
- Η αναπαράσταση σταθερού μεγέθους του Flamingo περιορίζει τη μνήμη του μοντέλου αλλά δεν μπορεί να εγγυηθεί ότι σύντομα γεγονότα θα επιβιώσουν σε μεγάλες ηχογραφήσεις.
- Η διαχειριζόμενη έκδοση διευκολύνει την ανάπτυξη, ενώ τα στοιχεία της παραμένουν συνδεδεμένα με συγκεκριμένα παράθυρα και μορφές απαντήσεων.
Η Amazon Web Services ανακοίνωσε στις 17 Νοεμβρίου 2026 ότι το OpenTSLM-Flamingo Gemma 3 4B είναι διαθέσιμο στο Amazon SageMaker JumpStart, τον κόμβο μοντέλων μηχανικής μάθησης της AWS. Οι πελάτες μπορούν να αναπτύξουν το μοντέλο των 5,24 δισεκατομμυρίων παραμέτρων σε ένα τελικό σημείο συμπερασμού πραγματικού χρόνου του SageMaker AI στα δικά τους περιβάλλοντα AWS.
Το OpenTSLM ερμηνεύει αριθμητικές μετρήσεις σε συνδυασμό με κείμενα, όπως αρχεία συντήρησης, ειδήσεις της αγοράς και παρατηρήσεις μηχανικών, και στη συνέχεια παρέχει επεξηγήσεις και απαντήσεις σε φυσική γλώσσα. Το πακέτο JumpStart συνδυάζει το Gemma 3 4B με έναν κωδικοποιητή χρονοσειρών και επίπεδα διασταυρούμενης προσοχής, τα οποία επιτρέπουν στο γλωσσικό μοντέλο να εστιάζει στα κωδικοποιημένα σήματα. Τα βάρη του καταλαμβάνουν περίπου 10,5 GB μνήμης GPU όταν αποθηκεύονται σε μορφή bfloat16.
Η ερευνητική εργασία του OpenTSLM διακρίνει αυτή την αρχιτεκτονική Flamingo από το SoftPrompt. Και οι δύο προσεγγίσεις αντιμετωπίζουν τις χρονοσειρές ως εγγενή τρόπο εισόδου, αλλά το SoftPrompt προσθέτει στην ακολουθία του γλωσσικού μοντέλου εκπαιδευμένα διακριτικά χρονοσειρών, ενώ το Flamingo χρησιμοποιεί έναν Perceiver Resampler για να δημιουργήσει μια λανθάνουσα αναπαράσταση σταθερού μεγέθους και διασταυρούμενη προσοχή με πύλη για να την ενσωματώσει. Η αρχική αξιολόγηση κάλυψε ερωταποκρίσεις για ΗΚΓ, σταδιοποίηση ύπνου και αναγνώριση ανθρώπινης δραστηριότητας, προσφέροντας στην έκδοση που διατίθεται ως διαχειριζόμενη υπηρεσία ερευνητικό υπόβαθρο βασισμένο σε ιατρικά δεδομένα και δεδομένα από φορετές συσκευές.
Το ξεχωριστό αποθετήριο του OpenTSLM διατίθεται με άδεια MIT και παρέχει κώδικα για λεπτομερή προσαρμογή, ενώ προεκπαιδευμένα σημεία ελέγχου είναι διαθέσιμα μέσω του οργανισμού του έργου στο Hugging Face. Αναφέρει ότι το έργο αποτελεί συνεργασία μεταξύ του Schmiedmayer Lab του Stanford University και του Agentic Systems Lab του ETH Zurich.
Προληπτική υποστήριξη IT από τη Nexthink
Η AWS περιγράφει τη Nexthink και την Aionic Labs ως εταιρείες που εργάζονται για την ανάπτυξη προληπτικής βοήθειας μέσω του Spark, του προσωπικού πράκτορα IT της Nexthink, ώστε οι εργαζόμενοι να λαμβάνουν βοήθεια προτού τη ζητήσουν. Η ροή εργασίας συνδυάζει πρόσφατες μετρήσεις για την CPU, τη μνήμη, τον δίσκο, τη σταθερότητα των εφαρμογών και τη συνδεσιμότητα με συμβάντα που φέρουν χρονική σήμανση, τη διαμόρφωση της συσκευής και τις εκδόσεις λογισμικού. Το μοντέλο παρέχει μια σύνοψη της κατάστασης, συνοδευόμενη από τα σχετικά σήματα, έναν προτεινόμενο έλεγχο και ενέργεια, καθώς και το αναμενόμενο αποτέλεσμα, το οποίο μπορεί να επαληθεύσει το Spark.
Το παράδειγμα της AWS για τον περιορισμένο διαθέσιμο χώρο στον δίσκο είναι ενδεικτικό. Το μοντέλο συνδέει τη μείωση του ελεύθερου χώρου, την αύξηση του μήκους της ουράς του δίσκου και τα συχνότερα κολλήματα εφαρμογών με συμπτώματα όπως η αργή απόδοση ή η δυσκολία αποθήκευσης αρχείων. Το Spark ελέγχει αν ενδείκνυται ένας καθαρισμός εγκεκριμένος από το τμήμα IT, ενημερώνει τον εργαζόμενο για το τι θα διαγραφεί και ζητά επιβεβαίωση πριν προχωρήσει. Στη συνέχεια, ελέγχει το αποτέλεσμα και, αν το πρόβλημα παραμένει, προσφέρει τη δυνατότητα κλιμάκωσης του αιτήματος στην υποστήριξη IT.
Όρια ανάπτυξης και παράθυρα εισόδου
Το προεπιλεγμένο τελικό σημείο ml.g6.2xlarge της AWS καλύπτει τις απαιτήσεις για μία GPU και bfloat16, με μία NVIDIA L4 24 GB και μνήμη κεντρικού υπολογιστή 32 GB. Ένα αίτημα μπορεί να περιλαμβάνει έως τέσσερις περιπτώσεις ερωτήσεων, καθεμία με μία έως 32 αριθμητικές χρονοσειρές και έως 32.768 τιμές ανά χρονοσειρά. Για την ανάπτυξη του μοντέλου JumpStart με περιορισμένη πρόσβαση, απαιτείται η αποδοχή των Όρων Χρήσης του Gemma.
Το τελικό σημείο κανονικοποιεί κάθε χρονοσειρά ώστε να έχει μέση τιμή μηδέν και τυπική απόκλιση ένα, ενώ παρέχει ως κείμενο την αρχική μέση τιμή και τυπική απόκλιση, ώστε το μοντέλο να λαμβάνει τόσο τη μορφή όσο και την κλίμακα. Οι κλήσεις πραγματικού χρόνου έχουν χρονικό όριο 60 δευτερολέπτων και ανώτατο μέγεθος σώματος αιτήματος 6 MB. Η AWS αναφέρει ότι στην προεπιλεγμένη παρουσία παράγονται περίπου 20 διακριτικά ανά δευτερόλεπτο· οι παρουσίες υποβάλλονται σε επεξεργασία διαδοχικά, ενώ για εργασίες μεγαλύτερης διάρκειας συνιστάται η ασύγχρονη εξαγωγή συμπερασμάτων.
Η αναπαράσταση σταθερού μεγέθους του Flamingo θέτει όρια στον όγκο των δεδομένων που φτάνουν στο γλωσσικό μοντέλο, αλλά δεν παρέχει απεριόριστη μνήμη σε ολόκληρο το σύστημα ούτε εγγυάται ότι ένα σύντομο συμβάν θα παραμείνει αναγνωρίσιμο σε μια πολύ μεγάλη καταγραφή. Η AWS συνιστά τη δοκιμή αντιπροσωπευτικών φυσιολογικών και μη φυσιολογικών παραθύρων, τη διατήρηση της ανάλυσης δειγματοληψίας για σύντομα συμβάντα, την ευθυγράμμιση συσχετιζόμενων καναλιών και τη συμπερίληψη στο πλαίσιο των μονάδων, των διαστημάτων δειγματοληψίας και των περιόδων παρατήρησης. Το όριο μεγέθους του φορτίου και το παράθυρο ανάλυσης που μπορεί να αξιοποιήσει το μοντέλο είναι ξεχωριστοί περιορισμοί.
Λεπτομερής προσαρμογή για ερωτήματα σχετικά με συμβάντα
Η ροή εργασίας προσαρμογής της AWS χρησιμοποιεί το TimeNet, το οποίο παρέχει κοινή μορφή συνόλων δεδομένων και API Python με συνδέσμους και αμετάβλητες εκδόσεις. Η τεκμηρίωση του TimeNet περιορίζει ρητά το πεδίο εφαρμογής του στα δεδομένα· η εκπαίδευση, η εξαγωγή συμπερασμάτων, οι ορισμοί μοντέλων και οι μετρικές αξιολόγησης δεν εμπίπτουν σε αυτό. Το παράδειγμα φορτώνει ένα προεκπαιδευμένο σημείο ελέγχου από το Hugging Face και δεδομένα ARFBench μέσω του TimeNet, εκτελεί μια εργασία εκπαίδευσης SageMaker, αποθηκεύει το προσαρμοσμένο μοντέλο στο Amazon S3 και το αναπτύσσει σε ξεχωριστό τελικό σημείο πραγματικού χρόνου με την ίδια μορφή αιτήματος.
Το ARFBench της Datadog περιλαμβάνει 750 ζεύγη ερωτήσεων και απαντήσεων πολλαπλής επιλογής, που προέρχονται από 142 χρονοσειρές οι οποίες καλύπτουν 63 πραγματικά εσωτερικά συμβάντα, με χρήση τηλεμετρικών δεδομένων παραγωγής και πρόσθετου πλαισίου. Η εργασία εκπαίδευσης ενημερώνει τον κωδικοποιητή χρονοσειρών, τον Perceiver Resampler, τα επίπεδα διασταυρούμενης προσοχής και τις ενσωματώσεις διακριτικών του γλωσσικού μοντέλου, διατηρώντας παγωμένο το υπόλοιπο Gemma 3.
Στη δοκιμή που πραγματοποίησε η ίδια η AWS σε μία παρουσία ml.g7e.2xlarge, η ακρίβεια σε 135 ερωτήσεις του ARFBench που είχαν διαχωριστεί για έλεγχο αυξήθηκε από 5,0% πριν από τη λεπτομερή προσαρμογή σε 45,9% μετά από αυτήν. Το προεκπαιδευμένο μοντέλο άφησε κενές τις περισσότερες απαντήσεις, ενώ το προσαρμοσμένο μοντέλο απάντησε σε κάθε ερώτηση επιλέγοντας μία από τις διαθέσιμες επιλογές. Η δοκιμή καταδεικνύει την προσαρμογή σε νέα εργασία και μορφή απαντήσεων· δεν αποτελεί σύγκριση με άλλα μοντέλα ούτε επίσημο αποτέλεσμα στον πίνακα κατάταξης του ARFBench.
Η διάθεση στο JumpStart διευκολύνει την ανάπτυξη και προσαρμογή μιας εγγενούς αρχιτεκτονικής για χρονοσειρές, ενώ τα διαθέσιμα τεκμήρια εξακολουθούν να περιορίζονται σε συγκεκριμένα χρονικά παράθυρα, εργασίες και μορφότυπους απαντήσεων. Για τις επιχειρησιακές ομάδες, το βασικό ερώτημα είναι αν τα ελεγμένα, αντιπροσωπευτικά παραδείγματα δείχνουν ότι οι εξηγήσεις και οι προτεινόμενες ενέργειες του μοντέλου είναι αρκετά αξιόπιστες για τις ροές εργασίας που προορίζονται να υποστηρίξουν.












