NVIDIA annuncia Kumo Forecast, un modello open source multivariato per la previsione di serie temporali

NVIDIA ha annunciato Kumo Forecast il 21 ottobre 2026: un modello open source per la previsione multivariata di serie temporali che combina un backbone Transformer MOMENT-1-large preaddestrato con il recupero facoltativo di dati storici e un framework di interpretabilità indipendente dal modello. Il modello, precedentemente noto come NV-Tesseract Forecasting, è disponibile con licenza Apache 2.0 e NVIDIA lo ha presentato in un post ufficiale sul blog di Hugging Face.

Il post è stato scritto da Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz e Viraj P Modak di NVIDIA. Il codice del modello è distribuito tramite il repository GitHub NVIDIA/Kumo-TS, una libreria open source per le serie temporali che include anche il pacchetto Kumo-Anomaly basato sulla diffusione; i pesi preaddestrati sono invece disponibili tramite la scheda del modello nvidia/Kumo-Forecast su Hugging Face. La scheda indica come data di rilascio su Hugging Face il 04/07/2026, la distribuzione globale e un caso d’uso dichiarato: aziende, organizzazioni e centri di ricerca che effettuano previsioni a orizzonte lungo o breve su dati temporali.

Backbone preaddestrato e previsioni dirette

Kumo Forecast utilizza come backbone l’encoder Transformer MOMENT-1-large, composto da un encoder di base con circa 340 milioni di parametri e da una testa di previsione addestrabile. Durante l’addestramento, i pesi dell’encoder e dell’embedder restano congelati e viene addestrata solo la testa di previsione, separando così il modello di rappresentazione preaddestrato dal livello di previsione specifico per l’attività. Nel percorso di previsione diretta, la testa converte le rappresentazioni del modello nei valori futuri per l’orizzonte richiesto; per gli orizzonti che superano le capacità native del modello, la libreria supporta un’estensione autoregressiva che estende le previsioni in modo ricorsivo.

La libreria offre un’API incentrata sui DataFrame, con orizzonti di previsione configurabili e la possibilità di usare dati storici come contesto per il recupero. Gli input devono essere dati temporali numerici costituiti da una colonna con i timestamp e da una o più colonne con valori numerici, forniti come pandas DataFrame o come CSV/JSON; le lunghezze supportate per le sequenze di input sono 256, 512, 1024 e 2048 osservazioni. Gli output sono pandas DataFrame contenenti i timestamp e i valori previsti per l’orizzonte di previsione specificato.

Recupero DARR e interpretabilità

Oltre alla previsione diretta, Kumo Forecast include Domain-Aware Representation and Retrieval (DARR), una modalità arricchita dal contesto che integra le previsioni con il recupero, dai dati storici, dei k vicini più prossimi. L’SDK accetta questi dati storici tramite un argomento separato, context_df, distinguendo così la finestra di input del modello, che fornisce osservazioni recenti, dal contesto di recupero, che fornisce schemi aggiuntivi. Gli sviluppatori possono regolare, tramite le opzioni di configurazione della libreria, quanto la previsione finale dipenda da ciascun percorso. NVIDIA indica come limite il fatto che le dimensioni del contesto di recupero debbano essere simili a quelle del contesto di input.

Nell’esempio DARR del repository, alpha è impostato su 0.2, descritto in un commento del codice come il 20 per cento di previsione diretta e l’80 per cento di recupero kNN; sono inoltre impostati k su 64 e la temperatura su 0.05. Per ulteriori dettagli su questa modalità, NVIDIA rimanda gli sviluppatori all’articolo Previsione aumentata dalla memoria: scalabilità e generalizzazione tra domini temporali, che l’elenco dei riferimenti del repository colloca negli atti della conferenza IEEE International Conference on Big Data del 2025.

Il framework di interpretabilità è indipendente dal modello e funziona senza modificare il modello di previsione sottostante. Quando è attivato, genera un pacchetto di spiegazioni contenente le attribuzioni di ritardo e delle caratteristiche per ciascun orizzonte di previsione, diagnostiche del flusso semantico, diagnostiche della stabilità delle traiettorie e, facoltativamente, Integrated Gradients sugli embedding. Impostando interpretability=True nell’SDK, il pacchetto viene salvato insieme alle previsioni sotto forma di file JSON e CSV, oltre che di un report PDF.

Il framework segue il preprint NVExplain: spiegare le previsioni di serie temporali con l’analisi delle traiettorie latenti e surrogati che preservano la struttura, di Muyan Anna Li, Manikandan Ravikiran e Aditi Gautam, inviato ad arXiv il 25 agosto 2026. L’articolo modella la previsione come una traiettoria latente, introduce il flusso semantico per quantificare l’evoluzione nel tempo delle informazioni nelle rappresentazioni interne del modello, aggrega tale flusso in una matrice di attribuzione ritardo-orizzonte e applica perturbazioni che preservano la struttura insieme a modelli surrogati locali sparsi per produrre spiegazioni leggibili da una persona. Gli autori riferiscono che la variante basata sul flusso semantico raggiunge una fedeltà competitiva o superiore rispetto alle baseline standard a posteriori, con un’efficienza computazionale sostanzialmente maggiore; la loro analisi della stabilità individua inoltre i regimi in cui l’interpretazione va applicata con cautela.

Dati di addestramento, requisiti di esecuzione e integrazioni

Secondo la scheda del modello, l’addestramento ha utilizzato 3 milioni di punti dati, con una suddivisione 80/20 per ciascun dataset, partendo dal Monash Time Series Forecasting Archive, descritto come una raccolta eterogenea di 30 dataset primari che include varianti con valori mancanti. I dataset di valutazione elencati nella scheda comprendono ECL, dati sul consumo di elettricità di 370 clienti, registrati ogni 15 minuti dal 2011 al 2014; Traffic, tassi di occupazione delle strade rilevati da sensori sulle autostrade dell’area della baia di San Francisco; ETTh, temperatura dell’olio dei trasformatori elettrici e sei caratteristiche relative al carico elettrico, raccolte ogni ora nell’arco di due anni; e ILI, dati settimanali dei Centers for Disease Control statunitensi che descrivono il rapporto tra i pazienti con sindrome simil-influenzale e il totale dei pazienti. La scheda cita inoltre come riferimenti gli articoli sugli errori di dipendenza temporale MOMENT, TimeRAF e Beyond MAE.

Kumo-Forecast funziona con PyTorch e supporta le microarchitetture NVIDIA Ampere e Hopper su Linux; la scheda del modello riporta test di inferenza su sistemi A100 e H100, ciascuno dotato di otto GPU. Per Kumo-Forecast, il repository indica Python 3.10 o versioni successive, PyTorch 2.7 o versioni successive, pandas e numpy; consiglia una GPU con passaggio automatico alla CPU e scarica automaticamente i pesi preaddestrati da Hugging Face. La scheda del modello afferma che i modelli sono progettati e ottimizzati per sistemi accelerati da GPU NVIDIA e che la loro integrazione nei sistemi di IA richiede ulteriori test specifici per il caso d’uso, secondo la metodologia del modello a V.

Per la valutazione specifica dell’applicazione, NVIDIA consiglia di confrontare le configurazioni diretta e arricchita dal recupero delle informazioni sulle stesse finestre di previsione escluse dall’addestramento e di convalidare la qualità delle previsioni sugli orizzonti temporali previsti e nelle condizioni operative di interesse. Il repository Kumo-TS include inoltre un esempio di ulteriore addestramento di Kumo-Forecast su un file CSV fornito dall’utente, offrendo agli sviluppatori sia un flusso di lavoro di inferenza con un modello preaddestrato sia un punto di partenza documentato per adattare il modello ai propri dati. Sul fronte della distribuzione, il Factory Operations Blueprint include l’accesso anticipato a un modulo di manutenzione predittiva che utilizza Kumo Anomaly e Kumo Forecast per analizzare dati in tempo reale e prevedere anomalie future; il post di NVIDIA rimanda inoltre a una sessione del GTC San Jose 2026 dedicata all’integrazione della piattaforma.