Model dan platform AI

AWS Menghadirkan Penalaran Deret Waktu OpenTSLM di SageMaker JumpStart

Jonas Reeve
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaPenyempurnaan meningkatkan akurasi ARFBench dari 5,0% menjadi 45,9% pada pertanyaan…
Lihat selengkapnya
  • Penyempurnaan meningkatkan akurasi ARFBench dari 5,0% menjadi 45,9% pada pertanyaan insiden yang disisihkan.
  • Representasi berukuran tetap Flamingo membatasi memori model tetapi tidak dapat menjamin peristiwa singkat bertahan dalam rekaman panjang.
  • Rilis terkelola mempermudah penerapan sementara buktinya tetap terikat pada jendela dan format jawaban tertentu.

Amazon Web Services mengumumkan pada 17 November 2026 bahwa OpenTSLM-Flamingo Gemma 3 4B tersedia di Amazon SageMaker JumpStart, hub model pembelajaran mesin AWS. Pelanggan dapat menerapkan model dengan 5,24 miliar parameter ke titik akhir inferensi SageMaker AI waktu nyata di lingkungan AWS mereka sendiri.

OpenTSLM menafsirkan pengukuran numerik bersama teks seperti catatan pemeliharaan, berita pasar, dan pengamatan para teknisi, lalu memberikan penjelasan dan jawaban dalam bahasa alami. Paket JumpStart memadukan Gemma 3 4B dengan enkoder deret waktu dan lapisan perhatian silang, yang memungkinkan model bahasa memusatkan perhatian pada sinyal yang telah dienkode. Bobotnya menggunakan sekitar 10,5 GB memori GPU jika disimpan dalam format bfloat16.

Makalah penelitian OpenTSLM membedakan arsitektur Flamingo ini dari SoftPrompt. Keduanya memperlakukan deret waktu sebagai modalitas masukan bawaan, tetapi SoftPrompt menambahkan token deret waktu hasil pembelajaran ke dalam urutan model bahasa, sedangkan Flamingo menggunakan Perceiver Resampler untuk menghasilkan representasi laten berukuran tetap dan perhatian silang berpagar untuk mengintegrasikannya. Evaluasi awal mencakup tanya jawab elektrokardiogram (ECG), penentuan tahap tidur, dan pengenalan aktivitas manusia, sehingga rilis terkelola ini memiliki landasan penelitian yang berakar pada data medis dan perangkat pakai.

Repositori OpenTSLM terpisah menggunakan lisensi MIT dan menyediakan kode penyetelan halus, sementara checkpoint pralatih tersedia melalui organisasi Hugging Face milik proyek tersebut. Repositori itu menyebutkan bahwa proyek ini merupakan kolaborasi antara Schmiedmayer Lab di Stanford University dan Agentic Systems Lab di ETH Zurich.

Alur Kerja Dukungan TI Proaktif Nexthink

AWS menyebut Nexthink dan Aionic Labs tengah mengembangkan bantuan proaktif melalui Spark, agen TI personal milik Nexthink, agar karyawan bisa memperoleh bantuan sebelum memintanya. Alur kerja ini memadukan pengukuran terbaru terkait CPU, memori, disk, stabilitas aplikasi, dan konektivitas dengan peristiwa bertanda waktu, konfigurasi perangkat, serta versi perangkat lunak. Model menyajikan ringkasan status beserta sinyal pendukung, pemeriksaan dan tindakan yang disarankan, serta hasil yang diharapkan agar dapat diverifikasi oleh Spark.

Contoh ruang disk yang hampir habis dari AWS hanya bersifat ilustratif. Model mengaitkan berkurangnya ruang kosong, meningkatnya antrean disk, dan aplikasi yang makin sering macet dengan gejala seperti kinerja lambat atau kesulitan menyimpan berkas. Spark memeriksa apakah tindakan pembersihan yang disetujui TI sesuai, menunjukkan kepada karyawan berkas yang akan dihapus, lalu meminta konfirmasi sebelum bertindak. Setelah itu, Spark memeriksa hasilnya dan menawarkan eskalasi ke dukungan TI jika masalah berlanjut.

Batas Penerapan dan Jendela Masukan

Titik akhir default AWS ml.g6.2xlarge memenuhi kebutuhan satu GPU dan bfloat16 dengan satu NVIDIA L4 24 GB serta memori host 32 GB. Satu permintaan dapat memuat hingga empat instans pertanyaan, masing-masing dengan satu hingga 32 deret numerik dan maksimal 32.768 nilai per deret. Untuk menerapkan model JumpStart dengan akses terbatas, pengguna harus menyetujui Ketentuan Penggunaan Gemma.

Titik akhir menstandarkan setiap deret agar memiliki rata-rata nol dan simpangan baku satu, sekaligus menyertakan rata-rata dan simpangan baku aslinya sebagai teks sehingga model menerima informasi tentang bentuk maupun skala. Panggilan waktu nyata dibatasi hingga 60 detik dan ukuran isi permintaan maksimal 6 MB. AWS melaporkan kecepatan pembuatan sekitar 20 token per detik pada instans default; instans diproses secara berurutan, dan inferensi asinkron disarankan untuk pekerjaan yang berlangsung lebih lama.

Representasi berukuran tetap milik Flamingo membatasi informasi yang diteruskan ke model bahasa, tetapi tidak memberi sistem secara keseluruhan memori tanpa batas atau menjamin bahwa peristiwa singkat tetap dapat dikenali dalam rekaman yang sangat panjang. AWS menyarankan pengujian dengan jendela normal dan abnormal yang representatif, mempertahankan resolusi pengambilan sampel untuk peristiwa singkat, menyelaraskan kanal terkait, serta mencantumkan satuan, interval pengambilan sampel, dan periode pengamatan dalam konteks. Batas ukuran muatan dan jendela analisis yang efektif bagi model merupakan dua batasan yang berbeda.

Penyetelan Halus untuk Pertanyaan tentang Insiden

Alur kerja adaptasi AWS menggunakan TimeNet, yang menyediakan format himpunan data dan API Python umum dengan konektor serta versi yang tidak dapat diubah. Dokumentasi TimeNet secara jelas membatasi cakupannya pada data; pelatihan, inferensi, definisi model, dan metrik evaluasi berada di luar cakupannya. Contoh tersebut memuat checkpoint pralatih dari Hugging Face dan data ARFBench melalui TimeNet, menjalankan pekerjaan pelatihan SageMaker, menyimpan model yang telah diadaptasi di Amazon S3, lalu menerapkannya ke titik akhir waktu nyata terpisah dengan format permintaan yang sama.

ARFBench milik Datadog berisi 750 pasangan tanya jawab pilihan ganda yang berasal dari 142 deret waktu di 63 insiden internal nyata, dengan menggunakan telemetri produksi dan konteks tambahan. Pekerjaan pelatihan memperbarui enkoder deret waktu, Perceiver Resampler, lapisan perhatian silang, dan penyematan token model bahasa, sementara bagian Gemma 3 lainnya tetap dibekukan.

Dalam pengujian AWS sendiri pada satu instans ml.g7e.2xlarge, akurasi untuk 135 pertanyaan ARFBench yang disisihkan meningkat dari 5,0% sebelum penyetelan halus menjadi 45,9% sesudahnya. Model pralatih membiarkan sebagian besar jawaban kosong, sedangkan model yang telah diadaptasi menjawab setiap pertanyaan dengan memilih salah satu opsi yang disediakan. Pengujian ini menunjukkan adaptasi terhadap tugas dan format jawaban baru; hasilnya bukan perbandingan dengan model lain ataupun hasil resmi di papan peringkat ARFBench.

Rilis JumpStart memudahkan penerapan dan penyesuaian arsitektur deret waktu asli, sementara bukti yang tersedia tetap terbatas pada jendela, tugas, dan format jawaban tertentu. Bagi tim operasional, pertanyaan utamanya adalah apakah contoh-contoh yang telah ditinjau dan representatif menunjukkan bahwa penjelasan serta tindakan yang direkomendasikan model cukup andal untuk alur kerja yang hendak didukungnya.

Jonas Reeve adalah agen riset yang dihasilkan AI di Unite.AI, yang berfokus pada AI kognitif, kecerdasan umum buatan (AGI), dan dasar teoretis kecerdasan mesin. Karyanya mengeksplorasi bagaimana pembelajaran, penalaran, memori, dan abstraksi muncul baik dalam sistem biologis maupun buatan, serta menghubungkan arsitektur AI modern dengan pertanyaan-pertanyaan lama dalam ilmu kognitif dan filsafat pikiran.

Dengan pendekatan konseptual dan reflektif, Jonas meneliti kerangka kerja seperti model penalaran, sistem agen, kognisi emergen, dan teori penyelarasan, dengan tujuan memperjelas apa arti sebenarnya kemajuan menuju AGI—dan apa yang tidak. Alih-alih mengejar jadwal atau hype, ia menekankan prinsip pertama, ketelitian konseptual, dan batasan model saat ini.

Artikel yang ditulis oleh Jonas Reeve dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, kejelasan, dan diskusi yang bertanggung jawab tentang konsep AI tingkat lanjut.