Η NVIDIA ανακοινώνει το Kumo Forecast, ένα ανοικτό μοντέλο πολυμεταβλητής πρόβλεψης χρονοσειρών

Η NVIDIA ανακοίνωσε το Kumo Forecast στις 21 Οκτωβρίου 2026: ένα ανοικτό μοντέλο πρόβλεψης πολυμεταβλητών χρονοσειρών, το οποίο συνδυάζει έναν προεκπαιδευμένο κορμό Transformer MOMENT-1-large με προαιρετική ανάκτηση πληροφοριών από ιστορικά δεδομένα και ένα πλαίσιο ερμηνευσιμότητας ανεξάρτητο από το μοντέλο. Το μοντέλο, παλαιότερα γνωστό ως NV-Tesseract Forecasting, διατίθεται με άδεια Apache 2.0 και η NVIDIA το παρουσίασε αναλυτικά σε επίσημη ανάρτηση στο ιστολόγιο του Hugging Face.

Την ανάρτηση συνέγραψαν οι Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz και Viraj P Modak της NVIDIA. Ο κώδικας του μοντέλου διανέμεται μέσω του αποθετηρίου NVIDIA/Kumo-TS στο GitHub, μιας βιβλιοθήκης χρονοσειρών ανοικτού κώδικα που περιλαμβάνει επίσης το πακέτο Kumo-Anomaly, το οποίο βασίζεται σε μοντέλο διάχυσης. Τα προεκπαιδευμένα βάρη διατίθενται μέσω της κάρτας μοντέλου nvidia/Kumo-Forecast στο Hugging Face. Η κάρτα αναφέρει ως ημερομηνία κυκλοφορίας στο Hugging Face την 04/07/2026, παγκόσμια ανάπτυξη και ως δηλωμένη περίπτωση χρήσης την πρόβλεψη σε χρονικά δεδομένα, για μακρούς ή βραχείς ορίζοντες, από εταιρείες, οργανισμούς και ερευνητικούς κόμβους.

Προεκπαιδευμένος κορμός και άμεση πρόβλεψη

Το Kumo Forecast χρησιμοποιεί ως κορμό τον κωδικοποιητή Transformer MOMENT-1-large, με βασικό κωδικοποιητή περίπου 340 εκατομμυρίων παραμέτρων και μια εκπαιδεύσιμη κεφαλή πρόβλεψης. Τα βάρη του κωδικοποιητή και του ενσωματωτή παραμένουν παγωμένα κατά την εκπαίδευση, ενώ εκπαιδεύεται μόνο η κεφαλή πρόβλεψης, διαχωρίζοντας το προεκπαιδευμένο μοντέλο αναπαράστασης από το επίπεδο πρόβλεψης που αφορά τη συγκεκριμένη εργασία. Στη διαδρομή άμεσης πρόβλεψης, η κεφαλή αντιστοιχίζει τις αναπαραστάσεις του μοντέλου σε μελλοντικές τιμές για τον ζητούμενο ορίζοντα· για ορίζοντες πέρα από την εγγενή δυνατότητα του μοντέλου, η βιβλιοθήκη υποστηρίζει αυτοπαλίνδρομη επέκταση, η οποία επεκτείνει αναδρομικά τις προβλέψεις.

Η βιβλιοθήκη παρέχει ένα API με επίκεντρο τα DataFrame, με δυνατότητα διαμόρφωσης των οριζόντων πρόβλεψης και προαιρετικό ιστορικό πλαίσιο για ανάκτηση πληροφοριών. Οι είσοδοι πρέπει να είναι αριθμητικά χρονικά δεδομένα, αποτελούμενα από μία στήλη χρονικών σημάνσεων και μία ή περισσότερες στήλες αριθμητικών τιμών. Πρέπει να παρέχονται ως pandas DataFrame ή ως CSV/JSON, ενώ τα υποστηριζόμενα μήκη ακολουθίας εισόδου είναι 256, 512, 1024 και 2048 παρατηρήσεις. Οι έξοδοι είναι pandas DataFrame που περιέχουν χρονικές σημάνσεις και προβλεπόμενες τιμές για τον καθορισμένο ορίζοντα πρόβλεψης.

Ανάκτηση DARR και ερμηνευσιμότητα

Πέρα από την άμεση πρόβλεψη, το Kumo Forecast περιλαμβάνει τη λειτουργία Domain-Aware Representation and Retrieval (DARR), η οποία ενισχύει τις προβλέψεις με ανάκτηση ιστορικών δεδομένων μέσω του αλγορίθμου k πλησιέστερων γειτόνων. Το SDK δέχεται αυτό το ιστορικό μέσω ενός ξεχωριστού ορίσματος context_df, διαχωρίζοντας έτσι το παράθυρο εισόδου του μοντέλου, το οποίο παρέχει πρόσφατες παρατηρήσεις, από το πλαίσιο ανάκτησης, το οποίο παρέχει πρόσθετα μοτίβα. Οι προγραμματιστές μπορούν να προσαρμόσουν, μέσω των επιλογών διαμόρφωσης της βιβλιοθήκης, τον βαθμό στον οποίο η τελική πρόβλεψη βασίζεται σε καθεμία από τις δύο διαδρομές. Η NVIDIA επισημαίνει ως περιορισμό ότι οι διαστάσεις του πλαισίου ανάκτησης πρέπει να είναι παρόμοιες με εκείνες του πλαισίου εισόδου.

Το παράδειγμα DARR του αποθετηρίου ορίζει την τιμή alpha σε 0.2, η οποία περιγράφεται σε σχόλιο του κώδικα ως 20 τοις εκατό άμεση πρόβλεψη και 80 τοις εκατό ανάκτηση kNN, καθώς και την τιμή k σε 64 και τη θερμοκρασία σε 0.05. Για περισσότερες λεπτομέρειες σχετικά με τη λειτουργία, η NVIDIA παραπέμπει τους προγραμματιστές στην εργασία Πρόβλεψη ενισχυμένη με μνήμη: Κλιμάκωση και γενίκευση σε χρονικούς τομείς, την οποία ο κατάλογος αναφορών του αποθετηρίου περιλαμβάνει στα πρακτικά του 2025 IEEE International Conference on Big Data.

Το πλαίσιο ερμηνευσιμότητας είναι ανεξάρτητο από το μοντέλο και λειτουργεί χωρίς να τροποποιεί το υποκείμενο μοντέλο πρόβλεψης. Όταν ενεργοποιείται, παράγει ένα πακέτο επεξηγήσεων που περιλαμβάνει αποδόσεις σημασίας χρονικών υστερήσεων και χαρακτηριστικών για κάθε ορίζοντα πρόβλεψης, διαγνωστικά ροής σημασιολογίας, διαγνωστικά σταθερότητας τροχιάς και, προαιρετικά, ενσωματωμένες διαβαθμίσεις του τύπου Integrated Gradients. Η χρήση της παραμέτρου interpretability=True στο SDK αποθηκεύει το πακέτο μαζί με την πρόβλεψη ως αρχεία JSON και CSV, καθώς και ως αναφορά PDF.

Το πλαίσιο βασίζεται στην προδημοσίευση NVExplain: Ερμηνεία της πρόβλεψης χρονοσειρών με ανάλυση λανθανουσών τροχιών και υποκατάστατα που διατηρούν τη δομή, των Muyan Anna Li, Manikandan Ravikiran και Aditi Gautam, η οποία υποβλήθηκε στο arXiv στις 25 Αυγούστου 2026. Η εργασία μοντελοποιεί την πρόβλεψη ως λανθάνουσα τροχιά, εισάγει τη ροή σημασιολογίας για να ποσοτικοποιήσει την εξέλιξη της πληροφορίας με την πάροδο του χρόνου στις εσωτερικές αναπαραστάσεις ενός μοντέλου, συγκεντρώνει αυτή τη ροή σε έναν πίνακα απόδοσης σημασίας χρονικής υστέρησης και ορίζοντα και εφαρμόζει διαταραχές που διατηρούν τη δομή, σε συνδυασμό με αραιά τοπικά υποκατάστατα μοντέλα, για την παραγωγή επεξηγήσεων κατανοητών από ανθρώπους. Οι συγγραφείς αναφέρουν ότι η παραλλαγή με ροή σημασιολογίας επιτυγχάνει ανταγωνιστική ή ανώτερη πιστότητα σε σύγκριση με τις συνήθεις εκ των υστέρων μεθόδους αναφοράς, ενώ είναι σημαντικά πιο αποδοτική υπολογιστικά, και ότι η ανάλυση σταθερότητάς τους εντοπίζει συνθήκες υπό τις οποίες η ερμηνεία πρέπει να εφαρμόζεται με προσοχή.

Δεδομένα εκπαίδευσης, απαιτήσεις χρόνου εκτέλεσης και ενσωματώσεις

Σύμφωνα με την κάρτα του μοντέλου, η εκπαίδευση χρησιμοποίησε 3 εκατομμύρια σημεία δεδομένων, με κατανομή 80/20 για κάθε σύνολο δεδομένων, ξεκινώντας από το Monash Time Series Forecasting Archive, το οποίο περιγράφεται ως μια ποικιλόμορφη συλλογή 30 βασικών συνόλων δεδομένων, που περιλαμβάνει και παραλλαγές με ελλείπουσες τιμές. Τα σύνολα δεδομένων αξιολόγησης που αναφέρονται στην κάρτα περιλαμβάνουν το ECL, δεδομένα κατανάλωσης ηλεκτρικής ενέργειας από 370 πελάτες, τα οποία καταγράφηκαν κάθε 15 λεπτά από το 2011 έως το 2014· το Traffic, ποσοστά κατάληψης του οδοστρώματος που μετρήθηκαν από αισθητήρες σε αυτοκινητοδρόμους της περιοχής του κόλπου του Σαν Φρανσίσκο· το ETTh, τη θερμοκρασία του λαδιού μετασχηματιστών ηλεκτρικής ενέργειας και έξι χαρακτηριστικά ηλεκτρικού φορτίου, τα οποία συλλέχθηκαν ανά ώρα επί δύο χρόνια· και το ILI, εβδομαδιαία δεδομένα των Κέντρων Ελέγχου Νοσημάτων των ΗΠΑ, τα οποία περιγράφουν την αναλογία των ασθενών με γριπώδη συνδρομή προς το σύνολο των ασθενών. Η κάρτα παραθέτει επίσης ως βιβλιογραφικές αναφορές τις εργασίες MOMENT, TimeRAF και Beyond MAE σχετικά με τα σφάλματα χρονικής εξάρτησης.

Το Kumo-Forecast εκτελείται στο PyTorch, με υποστήριξη για τις μικροαρχιτεκτονικές NVIDIA Ampere και Hopper σε Linux, ενώ η κάρτα του μοντέλου αναφέρει δοκιμές συμπερασματολογίας σε συστήματα A100 και H100, το καθένα με οκτώ GPU. Το αποθετήριο ορίζει ως απαιτήσεις για το Kumo-Forecast την Python 3.10 ή νεότερη έκδοση, το PyTorch 2.7 ή νεότερη έκδοση, το pandas και το numpy· συνιστά τη χρήση GPU, με αυτόματη εναλλακτική χρήση CPU, και πραγματοποιεί αυτόματη λήψη των προεκπαιδευμένων βαρών από το Hugging Face. Η κάρτα του μοντέλου αναφέρει ότι τα μοντέλα έχουν σχεδιαστεί και βελτιστοποιηθεί για συστήματα με επιτάχυνση GPU της NVIDIA και ότι η ενσωμάτωσή τους σε συστήματα τεχνητής νοημοσύνης απαιτεί πρόσθετες δοκιμές ανά περίπτωση χρήσης, σύμφωνα με τη μεθοδολογία του μοντέλου V.

Για αξιολόγηση ανά εφαρμογή, η NVIDIA συνιστά τη σύγκριση των απευθείας διαμορφώσεων με εκείνες που ενισχύονται μέσω ανάκτησης, χρησιμοποιώντας τα ίδια χρονικά παράθυρα πρόβλεψης που έχουν παραμείνει εκτός εκπαίδευσης, καθώς και την επικύρωση της ποιότητας των προβλέψεων στους προβλεπόμενους χρονικούς ορίζοντες και υπό τις προβλεπόμενες συνθήκες λειτουργίας. Το αποθετήριο Kumo-TS παρέχει επίσης ένα παράδειγμα λεπτομερούς ρύθμισης του Kumo-Forecast με αρχείο CSV που έχει δοθεί από τον χρήστη, προσφέροντας στους προγραμματιστές τόσο μια ροή εργασίας για συμπερασματολογία με προεκπαιδευμένο μοντέλο όσο και ένα τεκμηριωμένο σημείο εκκίνησης για την προσαρμογή του μοντέλου στα δικά τους δεδομένα. Όσον αφορά την ανάπτυξη, το Factory Operations Blueprint περιλαμβάνει πρώιμη πρόσβαση σε μια μονάδα προγνωστικής συντήρησης, η οποία χρησιμοποιεί τα Kumo Anomaly και Kumo Forecast για την ανάλυση δεδομένων σε πραγματικό χρόνο και την πρόβλεψη μελλοντικών ανωμαλιών, ενώ η ανάρτηση της NVIDIA παραπέμπει σε συνεδρία του GTC San Jose 2026 σχετικά με την ενσωμάτωση της πλατφόρμας.