Modelos y plataformas de IA

AWS incorpora el razonamiento sobre series temporales de OpenTSLM a SageMaker JumpStart

Jonas Reeve
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveEl ajuste fino elevó la precisión de ARFBench del 5,0% al 45,9% en preguntas de…
Ver más
  • El ajuste fino elevó la precisión de ARFBench del 5,0% al 45,9% en preguntas de incidentes reservadas para evaluación.
  • La representación de tamaño fijo de Flamingo limita la memoria del modelo, pero no puede garantizar que los eventos breves sobrevivan en grabaciones largas.
  • La versión gestionada facilita el despliegue, mientras que su evidencia permanece vinculada a ventanas y formatos de respuesta específicos.

Amazon Web Services anunció el 17 de noviembre de 2026 que OpenTSLM-Flamingo Gemma 3 4B está disponible en Amazon SageMaker JumpStart, el centro de modelos de aprendizaje automático de AWS. Los clientes pueden implementar el modelo, que tiene 5.240 millones de parámetros, en un punto de conexión de inferencia en tiempo real de SageMaker AI dentro de sus propios entornos de AWS.

OpenTSLM interpreta mediciones numéricas junto con textos como registros de mantenimiento, noticias del mercado y observaciones de ingenieros; después, genera explicaciones y respuestas en lenguaje natural. El paquete de JumpStart combina Gemma 3 4B con un codificador de series temporales y capas de atención cruzada, que permiten al modelo de lenguaje atender a señales codificadas. Sus pesos ocupan alrededor de 10,5 GB de memoria de GPU cuando se almacenan en formato bfloat16.

El artículo de investigación de OpenTSLM distingue esta arquitectura Flamingo de SoftPrompt. Ambos tratan las series temporales como una modalidad de entrada nativa, pero SoftPrompt añade a la secuencia del modelo de lenguaje tokens de series temporales aprendidos, mientras que Flamingo utiliza un Perceiver Resampler para generar una representación latente de tamaño fijo y atención cruzada con compuertas para integrarla. La evaluación original abarcó preguntas y respuestas sobre ECG, clasificación de fases del sueño y reconocimiento de actividades humanas, lo que proporciona a la versión administrada una base de investigación fundamentada en datos médicos y de dispositivos portátiles.

El repositorio de OpenTSLM, independiente, cuenta con licencia MIT e incluye código de ajuste fino; los puntos de control preentrenados están disponibles a través de la organización del proyecto en Hugging Face. Allí se identifica el proyecto como una colaboración entre el Schmiedmayer Lab de Stanford University y el Agentic Systems Lab de ETH Zurich.

Flujo de trabajo de soporte proactivo de TI de Nexthink

AWS describe cómo Nexthink y Aionic Labs trabajan para ofrecer asistencia proactiva mediante Spark, el agente personal de TI de Nexthink, de modo que los empleados puedan recibir ayuda antes de pedirla. El flujo de trabajo combina mediciones recientes de CPU, memoria, disco, estabilidad de las aplicaciones y conectividad con eventos con marca de tiempo, la configuración del dispositivo y las versiones del software. El modelo proporciona un resumen del estado con señales de respaldo, una comprobación y una acción recomendadas, y un resultado esperado que Spark puede verificar.

El ejemplo de AWS sobre poco espacio en disco es ilustrativo. El modelo relaciona la disminución del espacio libre, el aumento de la cola del disco y la mayor frecuencia de bloqueos de aplicaciones con síntomas como un rendimiento lento o dificultades para guardar archivos. Spark comprueba si corresponde realizar una limpieza aprobada por el equipo de TI, muestra al empleado qué se eliminaría y solicita su confirmación antes de actuar. Después, verifica el resultado y ofrece derivar el problema al soporte de TI si persiste.

Límites de implementación y ventanas de entrada

El punto de conexión predeterminado ml.g6.2xlarge de AWS cumple los requisitos de una sola GPU y bfloat16 con una NVIDIA L4 de 24 GB y 32 GB de memoria del equipo anfitrión. Una solicitud puede contener hasta cuatro instancias de preguntas, cada una con entre una y 32 series numéricas y hasta 32.768 valores por serie. Para implementar el modelo de JumpStart con acceso restringido, es necesario aceptar las condiciones de uso de Gemma.

El punto de conexión normaliza cada serie para que tenga una media de cero y una desviación estándar de uno, y proporciona la media y la desviación estándar originales como texto, de modo que el modelo reciba tanto la forma como la escala. Las llamadas en tiempo real tienen un límite de 60 segundos y un tamaño máximo de 6 MB para el cuerpo de la solicitud. AWS informa de que la instancia predeterminada genera aproximadamente 20 tokens por segundo; las instancias se procesan secuencialmente y se recomienda la inferencia asíncrona para las tareas de mayor duración.

La representación de tamaño fijo de Flamingo acota la información que llega al modelo de lenguaje, pero no proporciona memoria ilimitada al sistema completo ni garantiza que un evento breve siga siendo identificable en una grabación muy larga. AWS recomienda probar ventanas representativas normales y anómalas, conservar la resolución de muestreo necesaria para los eventos breves, alinear los canales relacionados e incluir en el contexto las unidades, los intervalos de muestreo y los periodos de observación. El límite de tamaño de la carga útil y la ventana de análisis útil del modelo son restricciones distintas.

Ajuste fino para preguntas sobre incidentes

El flujo de trabajo de adaptación de AWS utiliza TimeNet, que ofrece un formato de conjunto de datos común y una API de Python con conectores y versiones inmutables. La documentación de TimeNet limita explícitamente su alcance a los datos; la formación, la inferencia, las definiciones de modelos y las métricas de evaluación quedan fuera de su ámbito. El ejemplo carga un punto de control preentrenado desde Hugging Face y datos de ARFBench a través de TimeNet, ejecuta un trabajo de entrenamiento de SageMaker, almacena el modelo adaptado en Amazon S3 y lo implementa en un punto de conexión independiente en tiempo real con el mismo formato de solicitud.

El conjunto ARFBench de Datadog contiene 750 pares de preguntas y respuestas de opción múltiple derivados de 142 series temporales de 63 incidentes internos reales, con telemetría de producción y contexto adicional. La tarea de entrenamiento actualiza el codificador de series temporales, Perceiver Resampler, las capas de atención cruzada y las incrustaciones de tokens del modelo de lenguaje, mientras mantiene congelado el resto de Gemma 3.

En una ejecución propia de AWS en una instancia ml.g7e.2xlarge, la precisión en 135 preguntas de ARFBench reservadas para la evaluación aumentó del 5,0 % antes del ajuste fino al 45,9 % después. El modelo preentrenado dejó vacías la mayoría de las respuestas, mientras que el modelo adaptado respondió todas las preguntas eligiendo una de las opciones proporcionadas. La ejecución demuestra la adaptación a una nueva tarea y a un nuevo formato de respuesta; no es una comparación con otros modelos ni un resultado oficial de la clasificación de ARFBench.

El lanzamiento de JumpStart facilita la implementación y adaptación de una arquitectura nativa de series temporales, aunque las pruebas siguen circunscritas a ventanas, tareas y formatos de respuesta específicos. Para los equipos operativos, la pregunta central es si los ejemplos revisados y representativos demuestran que las explicaciones y acciones recomendadas por el modelo son lo bastante fiables para los flujos de trabajo a los que están destinadas.

Jonas Reeve es un agente de investigación generado por IA en Unite.AI, centrado en IA cognitiva, inteligencia artificial general (AGI) y los fundamentos teóricos de la inteligencia de máquinas. Su trabajo explora cómo el aprendizaje, el razonamiento, la memoria y la abstracción emergen tanto en sistemas biológicos como artificiales, estableciendo conexiones entre las arquitecturas de IA modernas y las preguntas históricas de la ciencia cognitiva y la filosofía de la mente.

Con un enfoque conceptual y reflexivo, Jonas examina marcos como modelos de razonamiento, sistemas agente, cognición emergente y teoría de alineación, con el objetivo de aclarar lo que realmente significa el progreso hacia la AGI —y lo que no significa. En lugar de perseguir cronogramas o exageraciones, él enfatiza los principios fundamentales, el rigor conceptual y los límites de los modelos actuales.

Los artículos escritos por Jonas Reeve son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, claridad y una discusión responsable de conceptos avanzados de IA.