Modèles et plateformes d’IA
AWS apporte le raisonnement sur les séries temporelles d’OpenTSLM à SageMaker JumpStart

Points clésLe réglage fin a fait passer la précision d'ARFBench de 5,0 % à 45,9 % sur des…
Voir plus
- Le réglage fin a fait passer la précision d'ARFBench de 5,0 % à 45,9 % sur des questions d'incident tenues à l'écart.
- La représentation de taille fixe de Flamingo limite la mémoire du modèle mais ne peut garantir que de brefs événements survivent à de longs enregistrements.
- La version gérée facilite le déploiement tandis que ses preuves restent liées à des fenêtres et des formats de réponse spécifiques.
Amazon Web Services a annoncé le 17 novembre 2026 qu’OpenTSLM-Flamingo Gemma 3 4B était disponible dans Amazon SageMaker JumpStart, la plateforme AWS de modèles d’apprentissage automatique. Les clients peuvent déployer ce modèle de 5,24 milliards de paramètres sur un point de terminaison d’inférence en temps réel de SageMaker AI au sein de leur propre environnement AWS.
OpenTSLM interprète des mesures numériques conjointement avec des textes tels que des dossiers de maintenance, des nouvelles des marchés et les observations d’ingénieurs, puis fournit des explications et des réponses en langage naturel. Le package JumpStart associe Gemma 3 4B à un encodeur de séries temporelles et à des couches d’attention croisée, qui permettent au modèle de langage de porter son attention sur les signaux encodés. Lorsque les poids sont stockés au format bfloat16, ils occupent environ 10,5 Go de mémoire GPU.
L’article de recherche sur OpenTSLM distingue cette architecture Flamingo de SoftPrompt. Les deux traitent les séries temporelles comme une modalité d’entrée native, mais SoftPrompt ajoute à la séquence du modèle de langage des jetons de séries temporelles appris, tandis que Flamingo utilise un Perceiver Resampler pour produire une représentation latente de taille fixe et recourt à l’attention croisée à portes pour l’intégrer. L’évaluation initiale portait sur les réponses à des questions concernant des ECG, la classification des stades du sommeil et la reconnaissance de l’activité humaine, donnant à la version gérée des fondements de recherche reposant sur des données médicales et issues d’appareils portables.
Le dépôt OpenTSLM, distinct, est sous licence MIT et fournit du code d’ajustement fin ; des points de contrôle préentraînés sont disponibles dans l’organisation Hugging Face du projet. Il indique que le projet est le fruit d’une collaboration entre le Schmiedmayer Lab de Stanford University et l’Agentic Systems Lab d’ETH Zurich.
Le flux de travail d’assistance informatique proactive de Nexthink
AWS explique que Nexthink et Aionic Labs développent une assistance proactive grâce à Spark, l’agent informatique personnel de Nexthink, afin que les employés puissent obtenir de l’aide avant même de la demander. Le flux de travail combine des mesures récentes concernant le processeur, la mémoire, le disque, la stabilité des applications et la connectivité avec des événements horodatés, la configuration de l’appareil et les versions des logiciels. Le modèle fournit un résumé de l’état, accompagné des signaux qui l’étayent, d’une vérification et d’une action recommandées, ainsi que d’un résultat attendu que Spark peut vérifier.
L’exemple d’AWS concernant le manque d’espace disque est donné à titre illustratif. Le modèle relie la diminution de l’espace disponible, l’augmentation de la file d’attente du disque et la fréquence accrue des blocages d’applications à des symptômes tels qu’un ralentissement des performances ou des difficultés à enregistrer des fichiers. Spark vérifie si un nettoyage approuvé par le service informatique est approprié, indique à l’employé ce qui serait supprimé et demande sa confirmation avant d’agir. Il vérifie ensuite le résultat et propose de faire appel à l’assistance informatique si le problème persiste.
Limites du déploiement et fenêtres d’entrée
Le point de terminaison ml.g6.2xlarge utilisé par défaut chez AWS satisfait aux exigences d’un seul GPU et du format bfloat16 grâce à un NVIDIA L4 de 24 Go et à 32 Go de mémoire hôte. Une requête peut contenir jusqu’à quatre instances de question, chacune comprenant de une à 32 séries numériques et jusqu’à 32 768 valeurs par série. Le déploiement du modèle JumpStart soumis à des conditions d’accès nécessite d’accepter les conditions d’utilisation de Gemma.
Le point de terminaison normalise chaque série pour obtenir une moyenne de zéro et un écart type de un, tout en fournissant la moyenne et l’écart type d’origine sous forme de texte, afin que le modèle reçoive à la fois la forme et l’échelle. Les appels en temps réel sont limités à 60 secondes et la taille du corps de la requête ne peut dépasser 6 Mo. AWS indique un débit d’environ 20 jetons générés par seconde sur l’instance par défaut ; les instances sont traitées séquentiellement et l’inférence asynchrone est recommandée pour les tâches de plus longue durée.
La représentation de taille fixe de Flamingo limite la quantité d’informations transmise au modèle de langage, mais elle ne confère pas une mémoire illimitée au système complet et ne garantit pas qu’un événement bref reste identifiable dans un enregistrement très long. AWS recommande de tester des fenêtres représentatives, normales comme anormales, de conserver une résolution d’échantillonnage permettant de saisir les événements brefs, d’aligner les canaux associés et d’inclure dans le contexte les unités, les intervalles d’échantillonnage et les périodes d’observation. La limite de taille des données transmises et la fenêtre d’analyse utile du modèle sont deux contraintes distinctes.
Ajustement fin pour les questions sur les incidents
Le flux de travail d’adaptation d’AWS utilise TimeNet, qui fournit un format de jeu de données commun et une API Python avec des connecteurs et des versions immuables. La documentation de TimeNet précise explicitement que son champ d’application se limite aux données ; l’entraînement, l’inférence, les définitions de modèles et les métriques d’évaluation n’en font pas partie. L’exemple charge un point de contrôle préentraîné depuis Hugging Face et des données ARFBench via TimeNet, lance une tâche d’entraînement SageMaker, stocke le modèle adapté dans Amazon S3 et le déploie sur un point de terminaison distinct en temps réel utilisant le même format de requête.
L’ARFBench de Datadog comprend 750 paires de questions-réponses à choix multiples, dérivées de 142 séries temporelles couvrant 63 incidents internes réels et fondées sur la télémétrie de production ainsi que sur du contexte supplémentaire. Le travail d’entraînement met à jour l’encodeur de séries temporelles, le Perceiver Resampler, les couches d’attention croisée et les embeddings des jetons du modèle de langage, tout en laissant gelé le reste de Gemma 3.
Lors d’un essai mené par AWS sur une instance ml.g7e.2xlarge, la précision sur 135 questions ARFBench réservées à l’évaluation est passée de 5,0 % avant l’ajustement fin à 45,9 % après celui-ci. Le modèle préentraîné laissait la plupart des réponses vides, tandis que le modèle adapté a répondu à chaque question en choisissant une option proposée. Cet essai démontre l’adaptation à une nouvelle tâche et à un nouveau format de réponse ; il ne s’agit ni d’une comparaison avec d’autres modèles ni d’un résultat officiel du classement ARFBench.
La mise à disposition sur JumpStart facilite le déploiement et l’adaptation d’une architecture native de séries temporelles, mais les éléments disponibles restent liés à des fenêtres, des tâches et des formats de réponse précis. Pour les équipes opérationnelles, la question centrale est de savoir si des exemples représentatifs ayant fait l’objet d’une vérification montrent que les explications du modèle et les actions qu’il recommande sont suffisamment fiables pour les processus qu’ils sont censés soutenir.












