AI-mallit ja alustat
AWS tuo OpenTSLM:n aikasarjojen päättelykyvyn SageMaker JumpStartiin

Keskeiset kohdatHienosäätö nosti ARFBench-tarkkuuden 5,0 prosentista 45,9 prosenttiin pidätetyissä…
Näytä lisää
- Hienosäätö nosti ARFBench-tarkkuuden 5,0 prosentista 45,9 prosenttiin pidätetyissä tapahtumakysymyksissä.
- Flamingon kiinteän kokoinen esitys rajaa mallin muistinkäyttöä, mutta ei voi taata, että lyhyet tapahtumat säilyvät pitkissä tallenteissa.
- Hallinnoitu julkaisu helpottaa käyttöönottoa, mutta sen näyttö pysyy sidottuna tiettyihin ikkunoihin ja vastausmuotoihin.
Amazon Web Services ilmoitti 17. marraskuuta 2026, että OpenTSLM-Flamingo Gemma 3 4B on saatavilla Amazon SageMaker JumpStartissa, AWS:n koneoppimismallien keskuksessa. Asiakkaat voivat ottaa 5,24 miljardin parametrin mallin käyttöön omissa AWS-ympäristöissään reaaliaikaisessa SageMaker AI -päätepisteessä.
OpenTSLM tulkitsee numeerisia mittauksia yhdessä tekstin, kuten huoltotietojen, markkinauutisten ja insinöörien havaintojen, kanssa ja tuottaa sitten luonnollisen kielen selityksiä ja vastauksia. JumpStart-paketti yhdistää Gemma 3 4B:n aikasarjaenkooderiin ja ristiinhuomion kerroksiin, joiden ansiosta kielimalli voi kohdistaa huomionsa enkoodattuihin signaaleihin. bfloat16-muotoon tallennettuina sen painot vievät noin 10,5 Gt GPU-muistia.
OpenTSLM:n tutkimusjulkaisussa tämä Flamingo-arkkitehtuuri erotetaan SoftPromptista. Molemmat käsittelevät aikasarjoja natiivina syötemuotona, mutta SoftPrompt lisää kielimallin sekvenssiin opittuja aikasarjatokeneita, kun taas Flamingo tuottaa Perceiver Resamplerilla kiinteän kokoisen latenttirepresentaation ja yhdistää sen malliin portitetun ristiinhuomion avulla. Alkuperäiseen arviointiin sisältyivät EKG-kysymyksiin vastaaminen, unen vaiheiden tunnistaminen ja ihmisen toiminnan tunnistaminen, joten hallinnoidun version tutkimuspohja perustuu lääketieteelliseen ja puettavista laitteista saatavaan dataan.
Erillisessä OpenTSLM-repositoriossa on MIT-lisenssi, ja se sisältää hienosäätökoodia. Esikoulutetut tarkistuspisteet ovat saatavilla projektin Hugging Face -organisaation kautta. Repositoriossa kerrotaan, että projekti on Stanford Universityn Schmiedmayer Labin ja ETH Zurichin Agentic Systems Labin yhteistyöhanke.
Nexthinkin ennakoivan IT-tuen työnkulku
AWS:n mukaan Nexthink ja Aionic Labs kehittävät ennakoivaa apua Spark-palvelun avulla. Spark on Nexthinkin henkilökohtainen IT-agentti, jonka ansiosta työntekijät voivat saada apua ennen kuin he pyytävät sitä. Työnkulussa yhdistetään tuoreet prosessorin, muistin, levyn, sovellusten vakauden ja verkkoyhteyden mittaukset aikaleimattuihin tapahtumiin, laitteen kokoonpanotietoihin ja ohjelmistoversioihin. Malli tuottaa yhteenvedon laitteen tilasta, sitä tukevat signaalit, suositellun tarkistuksen ja toimenpiteen sekä odotetun tuloksen, jonka Spark voi varmistaa.
AWS:n esimerkki levytilan vähyydestä on havainnollistava. Malli yhdistää vapaan levytilan vähenemisen, levyjonon kasvun ja sovellusten yhä useammin tapahtuvat jumittumiset oireisiin, kuten hitaaseen suorituskykyyn tai tiedostojen tallentamisen vaikeuteen. Spark tarkistaa, soveltuuko IT:n hyväksymä siivoustoimenpide tilanteeseen, näyttää työntekijälle, mitä poistettaisiin, ja pyytää vahvistuksen ennen toimenpiteisiin ryhtymistä. Sen jälkeen se tarkistaa tuloksen ja tarjoaa mahdollisuutta siirtää asian IT-tukeen, jos ongelma jatkuu.
Käyttöönoton rajoitukset ja syöteikkunat
AWS:n oletusarvoinen ml.g6.2xlarge-päätepiste täyttää yhden GPU:n ja bfloat16-muodon vaatimukset yhdellä 24 Gt:n NVIDIA L4 -näytönohjaimella ja 32 Gt:n keskusmuistilla. Pyyntö voi sisältää enintään neljä kysymysinstanssia, joista kukin sisältää yhdestä 32:een numeerista aikasarjaa ja enintään 32 768 arvoa sarjaa kohden. Portitetun JumpStart-mallin käyttöönotto edellyttää Gemman käyttöehtojen hyväksymistä.
Päätepiste normalisoi kunkin aikasarjan niin, että sen keskiarvo on nolla ja keskihajonta yksi. Samalla se toimittaa alkuperäisen keskiarvon ja keskihajonnan tekstinä, jotta malli saa tiedot sekä aikasarjan muodosta että mittakaavasta. Reaaliaikaisten pyyntöjen aikaraja on 60 sekuntia, ja pyynnön rungon enimmäiskoko on 6 Mt. AWS:n mukaan oletusinstanssi tuottaa noin 20 tokenia sekunnissa. Instanssit käsitellään peräkkäin, ja pitkäkestoisiin töihin suositellaan asynkronista päättelyä.
Flamingon kiinteän kokoinen representaatio rajoittaa kielimallille päätyvän tiedon määrää, mutta se ei anna koko järjestelmälle rajatonta muistia eikä takaa, että lyhyt tapahtuma pysyy tunnistettavana hyvin pitkässä tallenteessa. AWS suosittelee testaamaan edustavia normaaleja ja poikkeavia aikaikkunoita, säilyttämään lyhyiden tapahtumien näytteenottotarkkuuden, kohdistamaan toisiinsa liittyvät kanavat ja sisällyttämään kontekstiin yksiköt, näytteenottovälit ja havaintojaksot. Kuorman kokorajoitus ja mallin hyödyllisen analyysi-ikkunan pituus ovat erillisiä rajoitteita.
Hienosäätö häiriötilanteita koskevia kysymyksiä varten
AWS:n mukautustyönkulussa käytetään TimeNetiä, joka tarjoaa yhteisen aineistomuodon ja Python-rajapinnan liittimineen ja muuttumattomine versioineen. TimeNetin dokumentaatiossa rajataan sen soveltamisala nimenomaisesti dataan: koulutus, päättely, mallien määritelmät ja arviointimittarit jäävät sen ulkopuolelle. Esimerkissä Hugging Facesta ladataan esikoulutettu tarkistuspiste ja TimeNetin kautta ARFBench-dataa, minkä jälkeen suoritetaan SageMaker-koulutustyö, tallennetaan mukautettu malli Amazon S3:een ja otetaan se käyttöön erillisessä reaaliaikaisessa päätepisteessä, jossa käytetään samaa pyyntömuotoa.
Datadogin ARFBench sisältää 750 monivalintakysymyksen ja -vastauksen paria, jotka perustuvat 142 aikasarjaan ja 63 todelliseen sisäiseen häiriötilanteeseen sekä tuotantotelemetriaan ja muuhun kontekstiin. Koulutustyössä päivitetään aikasarjaenkooderi, Perceiver Resampler, ristiinhuomion kerrokset ja kielimallin tokenien upotukset, mutta Gemma 3:n muu osa pidetään jäädytettynä.
AWS:n omassa ajossa yhdellä ml.g7e.2xlarge-instanssilla tarkkuus 135:ssä ARFBench-kysymyksessä, joita ei ollut käytetty koulutuksessa, nousi 5,0 prosentista ennen hienosäätöä 45,9 prosenttiin sen jälkeen. Esikoulutettu malli jätti useimmat vastaukset tyhjiksi, kun taas mukautettu malli vastasi jokaiseen kysymykseen valitsemalla annetuista vaihtoehdoista. Ajo osoittaa mallin mukauttamisen uuteen tehtävään ja vastausmuotoon; kyseessä ei ole vertailu muihin malleihin eikä virallinen ARFBench-tulostaulukon tulos.
JumpStart-julkaisu helpottaa aikasarjoille natiivin arkkitehtuurin käyttöönottoa ja mukauttamista, mutta näyttö sen toimivuudesta koskee tiettyjä aikaikkunoita, tehtäviä ja vastausmuotoja. Operatiivisten tiimien kannalta keskeinen kysymys on, osoittavatko tarkistetut ja edustavat esimerkit, että mallin selitykset ja suosittelemat toimenpiteet ovat riittävän luotettavia niissä työnkuluissa, joita niiden on tarkoitus tukea.












