AI-modellen en platforms
AWS brengt redeneren over tijdreeksen naar SageMaker JumpStart met OpenTSLM

Belangrijkste puntenFine-tuning verhoogde de ARFBench-nauwkeurigheid van 5,0% naar 45,9% op achtergehouden…
Meer weergeven
- Fine-tuning verhoogde de ARFBench-nauwkeurigheid van 5,0% naar 45,9% op achtergehouden incidentvragen.
- De vaste-grootte representatie van Flamingo begrenst het modelgeheugen, maar kan niet garanderen dat korte gebeurtenissen lange opnames overleven.
- De beheerde release vergemakkelijkt de implementatie, terwijl het bewijs ervan gebonden blijft aan specifieke vensters en antwoordformaten.
Amazon Web Services kondigde op 17 november 2026 aan dat OpenTSLM-Flamingo Gemma 3 4B beschikbaar is in Amazon SageMaker JumpStart, de hub voor machinelearningmodellen van AWS. Klanten kunnen het model met 5,24 miljard parameters implementeren op een real-time-inferentie-eindpunt van SageMaker AI binnen hun eigen AWS-omgevingen.
OpenTSLM interpreteert numerieke metingen in samenhang met tekst, zoals onderhoudsrapporten, marktnieuws en observaties van technici, en geeft vervolgens uitleg en antwoorden in natuurlijke taal. Het JumpStart-pakket combineert Gemma 3 4B met een tijdreeksencoder en cross-attentionlagen, waarmee het taalmodel aandacht kan richten op gecodeerde signalen. De gewichten nemen ongeveer 10,5 GB GPU-geheugen in beslag wanneer ze zijn opgeslagen in bfloat16.
Het onderzoeksartikel over OpenTSLM onderscheidt deze Flamingo-architectuur van SoftPrompt. Beide behandelen tijdreeksen als een native invoermodaliteit, maar SoftPrompt voegt aangeleerde tijdreeksentokens toe aan de reeks van het taalmodel, terwijl Flamingo een Perceiver Resampler gebruikt om een latente representatie met een vaste grootte te produceren en deze via gated cross-attention te integreren. De oorspronkelijke evaluatie omvatte het beantwoorden van vragen over ECG’s, slaapfasenclassificatie en herkenning van menselijke activiteiten. Daarmee is de beheerde release gebaseerd op onderzoek met medische gegevens en gegevens van wearables.
De afzonderlijke OpenTSLM-repository valt onder de MIT-licentie en bevat code voor fijnafstemming; voorgetrainde checkpoints zijn beschikbaar via de Hugging Face-organisatie van het project. Volgens de repository is het project een samenwerking tussen het Schmiedmayer Lab van Stanford University en het Agentic Systems Lab van ETH Zurich.
Proactieve IT-ondersteuningsworkflow van Nexthink
AWS beschrijft hoe Nexthink en Aionic Labs met Spark, de persoonlijke IT-agent van Nexthink, werken aan proactieve ondersteuning, zodat medewerkers hulp kunnen krijgen voordat ze erom vragen. De workflow combineert recente metingen van CPU, geheugen, schijf, toepassingsstabiliteit en connectiviteit met gebeurtenissen met tijdstempels, apparaatconfiguraties en softwareversies. Het model geeft een samenvatting van de status met ondersteunende signalen, een aanbevolen controle en actie, en een verwacht resultaat dat Spark kan verifiëren.
Het voorbeeld van AWS over weinig schijfruimte is illustratief. Het model brengt afnemende vrije ruimte, een oplopende schijfwachtrij en vaker vastlopende toepassingen in verband met symptomen zoals trage prestaties of problemen met het opslaan van bestanden. Spark controleert of een door IT goedgekeurde opschoning geschikt is, laat de medewerker zien wat er wordt verwijderd en vraagt om bevestiging voordat het die uitvoert. Vervolgens controleert Spark het resultaat en biedt het aan de kwestie voor te leggen aan IT-ondersteuning als het probleem aanhoudt.
Beperkingen bij implementatie en invoervensters
Het standaard-eindpunt ml.g6.2xlarge van AWS voldoet aan de vereisten voor één GPU en bfloat16 met één NVIDIA L4 van 24 GB en 32 GB hostgeheugen. Een verzoek kan maximaal vier vraaginstanties bevatten, elk met één tot 32 numerieke reeksen en maximaal 32.768 waarden per reeks. Voor implementatie van het afgeschermde JumpStart-model moet je de gebruiksvoorwaarden van Gemma accepteren.
Het eindpunt normaliseert elke reeks naar een gemiddelde van nul en een standaardafwijking van één, en geeft het oorspronkelijke gemiddelde en de oorspronkelijke standaardafwijking als tekst mee, zodat het model zowel de vorm als de schaal ontvangt. Real-time-aanroepen hebben een limiet van 60 seconden en een maximale aanvraaggrootte van 6 MB. AWS rapporteert ongeveer 20 gegenereerde tokens per seconde op de standaardinstantie; instanties worden sequentieel verwerkt en voor langere taken wordt asynchrone inferentie aanbevolen.
De representatie met vaste grootte van Flamingo begrenst wat het taalmodel bereikt, maar geeft het volledige systeem geen onbeperkt geheugen en garandeert niet dat een korte gebeurtenis herkenbaar blijft in een zeer lange opname. AWS adviseert representatieve normale en afwijkende vensters te testen, de bemonsteringsresolutie voor korte gebeurtenissen te behouden, verwante kanalen op elkaar af te stemmen en eenheden, bemonsteringsintervallen en observatieperioden in de context op te nemen. De limiet voor de payload en het bruikbare analysevenster van het model zijn afzonderlijke beperkingen.
Fijnafstemming voor incidentvragen
De aanpassingsworkflow van AWS gebruikt TimeNet, dat een gemeenschappelijk gegevenssetformaat en een Python-API met connectors en onveranderlijke versies biedt. De documentatie van TimeNet beperkt de reikwijdte uitdrukkelijk tot gegevens; training, inferentie, modeldefinities en evaluatiemetrieken vallen erbuiten. In het voorbeeld wordt via TimeNet een voorgetraind checkpoint uit Hugging Face en gegevens van ARFBench geladen, waarna een SageMaker-trainingstaak wordt uitgevoerd. Het aangepaste model wordt opgeslagen in Amazon S3 en geïmplementeerd op een afzonderlijk real-time-eindpunt met hetzelfde aanvraagformaat.
Datadogs ARFBench bevat 750 meerkeuzevraag-en-antwoordparen, afgeleid van 142 tijdreeksen uit 63 echte interne incidenten, met gebruik van productietelemetrie en aanvullende context. De trainingstaak werkt de tijdreeksencoder, Perceiver Resampler, cross-attentionlagen en tokenembeddings van het taalmodel bij, terwijl de rest van Gemma 3 bevroren blijft.
Bij een eigen test van AWS op één ml.g7e.2xlarge-instantie steeg de nauwkeurigheid op 135 achtergehouden ARFBench-vragen van 5,0% vóór fijnafstemming naar 45,9% erna. Het voorgetrainde model liet de meeste antwoorden leeg, terwijl het aangepaste model elke vraag beantwoordde met een van de aangeboden opties. De test laat zien dat het model kan worden aangepast aan een nieuwe taak en antwoordindeling; het is geen vergelijking met andere modellen en ook geen officieel resultaat op het ARFBench-klassement.
De release op JumpStart maakt het eenvoudiger om een architectuur te implementeren en aan te passen die specifiek voor tijdreeksen is ontwikkeld, maar het beschikbare bewijs blijft beperkt tot specifieke tijdvensters, taken en antwoordindelingen. Voor operationele teams is de belangrijkste vraag of beoordeelde, representatieve voorbeelden aantonen dat de uitleg en aanbevolen acties van het model betrouwbaar genoeg zijn voor de workflows die ermee moeten worden ondersteund.












