NVIDIA Mengumumkan Model Deret Waktu Multivariat Terbuka Kumo Forecast

Pada 21 Oktober 2026, NVIDIA mengumumkan Kumo Forecast, model peramalan deret waktu multivariat terbuka yang memadukan backbone Transformer MOMENT-1-large pralatih dengan opsi pengambilan data historis serta kerangka interpretabilitas yang tidak bergantung pada model. Model yang sebelumnya dikenal sebagai NV-Tesseract Forecasting ini tersedia di bawah lisensi Apache 2.0, dan NVIDIA menguraikannya dalam unggahan resmi di blog Hugging Face.

Unggahan tersebut ditulis oleh Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz, dan Viraj P Modak dari NVIDIA. Kode model didistribusikan melalui repositori GitHub NVIDIA/Kumo-TS, sebuah pustaka deret waktu sumber terbuka yang juga memuat paket Kumo-Anomaly berbasis difusi, sementara bobot pralatih tersedia melalui kartu model nvidia/Kumo-Forecast di Hugging Face. Kartu tersebut mencantumkan tanggal rilis di Hugging Face, 04/07/2026, penerapan global, serta kasus penggunaan yang dinyatakan, yaitu bagi perusahaan, organisasi, dan pusat penelitian yang melakukan peramalan jangka panjang atau pendek pada data temporal.

Backbone Pralatih dan Peramalan Langsung

Kumo Forecast menggunakan encoder Transformer MOMENT-1-large sebagai backbone, dengan encoder dasar yang memiliki sekitar 340 juta parameter serta kepala peramalan yang dapat dilatih. Bobot encoder dan embedder tetap dibekukan selama pelatihan, sementara hanya kepala peramalan yang dilatih, sehingga model representasi pralatih terpisah dari lapisan prediksi khusus tugas. Dalam jalur peramalan langsung, kepala tersebut memetakan representasi model ke nilai masa depan untuk horizon yang diminta; untuk horizon yang melampaui kemampuan bawaan model, pustaka ini mendukung perluasan autoregresif yang memperpanjang prediksi secara rekursif.

Pustaka ini menyediakan API yang mengutamakan DataFrame, dengan horizon peramalan yang dapat dikonfigurasi dan konteks historis opsional untuk pengambilan data. Masukan harus berupa data temporal numerik yang terdiri atas kolom cap waktu dan satu kolom nilai numerik atau lebih, disediakan sebagai DataFrame pandas atau CSV/JSON. Panjang urutan masukan yang didukung adalah 256, 512, 1024, dan 2048 observasi. Keluaran berupa DataFrame pandas yang berisi cap waktu dan nilai prediksi untuk horizon peramalan yang ditentukan.

Pengambilan Data DARR dan Interpretabilitas

Selain peramalan langsung, Kumo Forecast mencakup Domain-Aware Representation and Retrieval (DARR), mode yang diperkaya konteks dan menambahkan pengambilan data historis menggunakan k tetangga terdekat ke dalam prediksi. SDK menerima data historis tersebut melalui argumen context_df terpisah, sehingga membedakan jendela masukan model, yang menyediakan observasi terkini, dari konteks pengambilan data, yang menyediakan pola tambahan. Pengembang dapat menyesuaikan seberapa besar prediksi akhir mengandalkan masing-masing jalur melalui opsi konfigurasi pustaka. NVIDIA mencantumkan satu keterbatasan: dimensi konteks pengambilan harus serupa dengan konteks masukan.

Contoh DARR di repositori menetapkan alpha sebesar 0.2, yang dalam komentar kode dijelaskan sebagai 20 persen peramalan langsung dan 80 persen pengambilan data kNN, dengan k sebesar 64 dan suhu sebesar 0.05. Untuk penjelasan lebih lanjut tentang mode ini, NVIDIA mengarahkan pengembang ke makalah Peramalan dengan Dukungan Memori: Skalabilitas dan Generalisasi Lintas Ranah Temporal, yang menurut daftar referensi repositori tersebut dimuat dalam prosiding 2025 IEEE International Conference on Big Data.

Kerangka interpretabilitas ini tidak bergantung pada model dan berjalan tanpa mengubah peramal yang mendasarinya. Jika diaktifkan, kerangka ini menghasilkan paket penjelasan yang mencakup atribusi jeda dan fitur untuk setiap horizon peramalan, diagnostik aliran semantik, diagnostik kestabilan lintasan, serta Integrated Gradients untuk embedding sebagai opsi. Dengan meneruskan interpretability=True ke SDK, paket tersebut disimpan bersama hasil peramalan sebagai berkas JSON dan CSV serta laporan PDF.

Kerangka ini mengikuti pracetak NVExplain: Menjelaskan Peramalan Deret Waktu dengan Analisis Lintasan Laten dan Model Pengganti yang Mempertahankan Struktur, karya Muyan Anna Li, Manikandan Ravikiran, dan Aditi Gautam, yang diajukan ke arXiv pada 25 Agustus 2026. Makalah tersebut memodelkan peramalan sebagai lintasan laten, memperkenalkan aliran semantik untuk mengukur bagaimana informasi berkembang dari waktu ke waktu dalam representasi internal model, menggabungkan aliran itu menjadi matriks atribusi jeda-horizon, serta menerapkan perturbasi yang mempertahankan struktur dengan model pengganti lokal yang jarang untuk menghasilkan penjelasan yang dapat dipahami manusia. Para penulis melaporkan bahwa varian aliran semantik mencapai tingkat kesetiaan yang kompetitif atau lebih tinggi dibandingkan dengan tolok ukur pascahoc standar, sekaligus jauh lebih efisien secara komputasi, dan bahwa analisis kestabilan mereka mengidentifikasi kondisi ketika interpretasi perlu diterapkan dengan hati-hati.

Data Pelatihan, Persyaratan Waktu Proses, dan Integrasi

Menurut kartu model, pelatihan menggunakan 3 juta titik data dengan pembagian 80/20 untuk setiap dataset, dimulai dari Monash Time Series Forecasting Archive, yang dijelaskan sebagai kumpulan beragam berisi 30 dataset utama, termasuk variasi dengan nilai yang hilang. Dataset evaluasi yang tercantum dalam kartu tersebut meliputi ECL, data konsumsi listrik dari 370 pelanggan yang dicatat setiap 15 menit dari 2011 hingga 2014; Traffic, tingkat keterisian jalan yang diukur oleh sensor di jalan bebas hambatan di wilayah Teluk San Francisco; ETTh, suhu minyak transformator listrik dan enam fitur beban daya yang dikumpulkan setiap jam selama dua tahun; serta ILI, data mingguan U.S. Centers for Disease Control yang menjelaskan rasio pasien dengan penyakit mirip influenza terhadap jumlah seluruh pasien. Kartu tersebut juga mencantumkan makalah tentang kesalahan ketergantungan temporal MOMENT, TimeRAF, dan Beyond MAE sebagai referensi.

Kumo-Forecast berjalan di PyTorch dan mendukung mikroarsitektur NVIDIA Ampere dan Hopper di Linux. Kartu model melaporkan pengujian inferensi pada sistem A100 dan H100 yang masing-masing dilengkapi delapan GPU. Repositori tersebut menetapkan Python 3.10 atau yang lebih baru, PyTorch 2.7 atau yang lebih baru, pandas, dan numpy untuk Kumo-Forecast; merekomendasikan penggunaan GPU dengan peralihan otomatis ke CPU sebagai cadangan; serta mengunduh bobot pralatih secara otomatis dari Hugging Face. Kartu model menyatakan bahwa model-model ini dirancang dan dioptimalkan untuk sistem dengan akselerasi GPU NVIDIA, dan bahwa integrasi ke dalam sistem AI memerlukan pengujian tambahan yang disesuaikan dengan kasus penggunaan, mengikuti metodologi V-model.

Untuk evaluasi khusus aplikasi, NVIDIA menyarankan agar konfigurasi langsung dan konfigurasi yang ditingkatkan dengan pengambilan informasi dibandingkan menggunakan jendela peramalan tertahan yang sama, serta kualitas ramalan divalidasi pada rentang waktu dan kondisi operasional yang dituju. Repositori Kumo-TS juga menyediakan contoh untuk menyempurnakan Kumo-Forecast menggunakan berkas CSV yang disediakan pengguna, sehingga pengembang memperoleh alur kerja inferensi dengan model pralatih sekaligus titik awal terdokumentasi untuk menyesuaikan model dengan data mereka sendiri. Dari sisi penerapan, Factory Operations Blueprint menyertakan Akses Awal ke modul Pemeliharaan Prediktif yang menggunakan Kumo Anomaly dan Kumo Forecast untuk menganalisis data waktu nyata dan memprediksi anomali di masa mendatang. Unggahan NVIDIA juga menautkan sesi GTC San Jose 2026 yang membahas integrasi platform.