AIモデルとプラットフォーム
AWS、時系列推論機能「OpenTSLM」をSageMaker JumpStartで提供

要点ファインチューニングにより、ARFBenchの精度は保留されたインシデント質問で5.0%から45.9%に向上した。
もっと見る
- ファインチューニングにより、ARFBenchの精度は保留されたインシデント質問で5.0%から45.9%に向上した。
- Flamingoの固定サイズ表現はモデルのメモリを制限するが、短い事象が長い録音で残ることを保証できない。
- マネージドリリースは展開を容易にするが、その証拠は特定のウィンドウと回答形式に結びついたままである。
Amazon Web Servicesは2026年11月17日に発表し、OpenTSLM-Flamingo Gemma 3 4Bが、AWSの機械学習モデルハブであるAmazon SageMaker JumpStartで利用可能になった。顧客は、自社のAWS環境内にあるリアルタイムのSageMaker AI推論エンドポイントに、52億4,000万パラメータのモデルをデプロイできる。
OpenTSLMは、保守記録、市場ニュース、エンジニアの所見などのテキストと数値測定値を組み合わせて解釈し、自然言語による説明や回答を生成する。JumpStartパッケージでは、Gemma 3 4Bに時系列エンコーダーとクロスアテンション層を組み合わせており、これによって言語モデルはエンコードされた信号を参照できる。重みをbfloat16形式で保存した場合、GPUメモリを約10.5 GB使用する。
OpenTSLMの研究論文では、このFlamingoアーキテクチャをSoftPromptと区別している。どちらも時系列を標準的な入力モダリティとして扱うが、SoftPromptは学習済みの時系列トークンを言語モデルの系列に追加する一方、FlamingoはPerceiver Resamplerを使って固定サイズの潜在表現を生成し、ゲート付きクロスアテンションによってそれを統合する。当初の評価では、心電図(ECG)に関する質問応答、睡眠段階判定、ヒトの活動認識を対象としており、マネージド版は医療データとウェアラブルデータに根差した研究基盤を持つ。
別途公開されているOpenTSLMのリポジトリはMITライセンスで提供され、ファインチューニング用コードを収録している。事前学習済みチェックポイントは、プロジェクトのHugging Face組織を通じて利用できる。プロジェクトの説明によると、これはStanford UniversityのSchmiedmayer LabとETH ZurichのAgentic Systems Labによる共同研究である。
NexthinkによるプロアクティブなITサポートのワークフロー
AWSによると、NexthinkとAionic Labsは、NexthinkのパーソナルITエージェントであるSparkを通じて、従業員が問い合わせる前に支援を受けられるよう、プロアクティブなサポートの実現に取り組んでいる。このワークフローでは、直近のCPU、メモリ、ディスク、アプリケーションの安定性、接続状況に関する測定値を、タイムスタンプ付きイベント、デバイス構成、ソフトウェアのバージョン情報と組み合わせる。モデルは、状態の概要とそれを裏付けるシグナル、推奨する確認事項と対応策、さらにSparkが検証できる期待結果を提示する。
AWSが示すディスク容量不足の例は、あくまで説明のためのものである。モデルは、空き容量の減少、ディスクキューの増加、アプリケーションのハング頻度の上昇を、動作の遅延やファイル保存の困難といった症状に結び付ける。Sparkは、IT部門が承認したクリーンアップが適切かどうかを確認し、削除される内容を従業員に示したうえで、実行前に確認を求める。その後、結果を確認し、問題が続く場合はITサポートへのエスカレーションを提案する。
デプロイの制限と入力ウィンドウ
AWSのデフォルトであるml.g6.2xlargeエンドポイントは、24 GBのNVIDIA L4を1基と32 GBのホストメモリを備え、単一GPUおよびbfloat16の要件を満たす。1回のリクエストには最大4つの質問を含めることができ、各質問では1~32系列の数値データを指定できる。各系列の値は最大32,768個まで対応する。アクセス制限付きのJumpStartモデルをデプロイするには、Gemma Terms of Useへの同意が必要となる。
エンドポイントは各系列を平均0、標準偏差1に標準化する一方、元の平均値と標準偏差をテキストで渡すため、モデルは形状と尺度の両方を受け取る。リアルタイム呼び出しの制限時間は60秒、リクエスト本文の上限は6 MBである。AWSによると、デフォルトのインスタンスでは毎秒約20トークンを生成する。インスタンスは順次処理され、処理に時間がかかる場合は非同期推論が推奨される。
Flamingoの固定サイズ表現によって言語モデルに渡される情報量には上限があるが、システム全体のメモリが無制限になるわけではなく、非常に長い記録の中の短いイベントを識別し続けられる保証もない。AWSは、通常時と異常時の代表的なウィンドウを使ってテストすること、短いイベントを捉えられるサンプリング解像度を維持すること、関連するチャネルの時刻をそろえること、単位、サンプリング間隔、観測期間をコンテキストに含めることを推奨している。ペイロードの上限と、モデルが有効に分析できるウィンドウの長さは、それぞれ別の制約である。
インシデントに関する質問に向けたファインチューニング
AWSの適応ワークフローでは、TimeNetを使用する。TimeNetは、コネクターと変更不可能なバージョンを備えた共通のデータセット形式とPython APIを提供する。TimeNetのドキュメントでは、対象範囲をデータに明確に限定しており、トレーニング、推論、モデル定義、評価指標は対象外としている。この例では、Hugging Faceから事前学習済みチェックポイントを読み込み、TimeNetを介してARFBenchのデータを取り込み、SageMakerのトレーニングジョブを実行する。適応済みモデルはAmazon S3に保存し、同じリクエスト形式を使う別のリアルタイムエンドポイントにデプロイする。
DatadogのARFBenchには、実際の社内インシデント63件に関する142の時系列データから作成された、750組の選択式質問と回答が含まれている。データには、本番環境のテレメトリーと追加のコンテキストが使われている。トレーニングジョブでは、Gemma 3の残りの部分を凍結したまま、時系列エンコーダー、Perceiver Resampler、クロスアテンション層、言語モデルのトークン埋め込みを更新する。
AWSがml.g7e.2xlargeインスタンス1台で実行した結果では、ファインチューニング前に5.0%だった、保留していたARFBenchの質問135件に対する正答率が、実行後には45.9%に上昇した。事前学習済みモデルは回答の大半を空欄のままにした一方、適応済みモデルは選択肢を提示されたすべての質問に回答した。この実行結果は、新しいタスクと回答形式への適応を示すものであり、他のモデルとの比較でも、公式のARFBenchリーダーボードの結果でもない。
JumpStartでのリリースにより、ネイティブな時系列アーキテクチャをより簡単にデプロイして適応させられるようになりますが、その根拠は特定の時間窓、タスク、回答形式に結び付いています。運用チームにとって重要なのは、レビュー済みの代表的な事例から、モデルの説明や推奨される対応が、それらを活用するワークフローに十分な信頼性を備えていると判断できるかどうかです。












