Modele i platformy AI

AWS wprowadza rozumowanie o szeregach czasowych OpenTSLM do SageMaker JumpStart

Jonas Reeve
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyDostrajanie podniosło dokładność ARFBench z 5,0% do 45,9% na pytaniach o incydenty ze…
Zobacz więcej
  • Dostrajanie podniosło dokładność ARFBench z 5,0% do 45,9% na pytaniach o incydenty ze zbioru testowego.
  • Stałorozmiarowa reprezentacja Flamingo ogranicza pamięć modelu, ale nie gwarantuje, że krótkie zdarzenia przetrwają długie nagrania.
  • Zarządzane wydanie ułatwia wdrożenie, podczas gdy jego dowody pozostają powiązane z konkretnymi oknami i formatami odpowiedzi.

Amazon Web Services ogłosiło 17 listopada 2026 r., że OpenTSLM-Flamingo Gemma 3 4B jest dostępny w Amazon SageMaker JumpStart, centrum modeli uczenia maszynowego AWS. Klienci mogą wdrożyć model o 5,24 mld parametrów we własnych środowiskach AWS jako punkt końcowy wnioskowania SageMaker AI działający w czasie rzeczywistym.

OpenTSLM interpretuje pomiary liczbowe wraz z tekstem, takim jak dokumentacja konserwacji, wiadomości rynkowe i spostrzeżenia inżynierów, a następnie przedstawia wyjaśnienia i odpowiedzi w języku naturalnym. Pakiet JumpStart łączy Gemma 3 4B z koderem szeregów czasowych i warstwami wzajemnej uwagi, które pozwalają modelowi językowemu uwzględniać zakodowane sygnały. Wagi modelu zajmują około 10,5 GB pamięci GPU, gdy są przechowywane w formacie bfloat16.

Artykuł naukowy poświęcony OpenTSLM odróżnia tę architekturę Flamingo od SoftPrompt. Oba podejścia traktują szeregi czasowe jako natywną modalność wejściową, ale SoftPrompt dodaje do sekwencji modelu językowego wyuczone tokeny szeregów czasowych, podczas gdy Flamingo wykorzystuje Perceiver Resampler do utworzenia reprezentacji ukrytej o stałym rozmiarze, a następnie integruje ją za pomocą bramkowanej wzajemnej uwagi. Pierwotna ewaluacja obejmowała odpowiadanie na pytania dotyczące EKG, klasyfikowanie faz snu i rozpoznawanie aktywności człowieka, zapewniając zarządzanej wersji podstawy badawcze oparte na danych medycznych i z urządzeń noszonych.

Osobne repozytorium OpenTSLM jest udostępniane na licencji MIT i zawiera kod do dostrajania; wstępnie wytrenowane punkty kontrolne są dostępne za pośrednictwem organizacji projektu w Hugging Face. Zgodnie z informacjami w repozytorium projekt jest wynikiem współpracy Schmiedmayer Lab na Stanford University i Agentic Systems Lab na ETH Zurich.

Proaktywny przepływ pracy wsparcia IT w Nexthink

AWS opisuje, jak Nexthink i Aionic Labs rozwijają proaktywną pomoc za pośrednictwem Spark, osobistego agenta IT firmy Nexthink, dzięki któremu pracownicy mogą otrzymać wsparcie, zanim o nie poproszą. Przepływ pracy łączy najnowsze pomiary użycia procesora, pamięci, dysku, stabilności aplikacji i łączności ze zdarzeniami opatrzonymi znacznikami czasu, konfiguracją urządzenia i wersjami oprogramowania. Model przedstawia podsumowanie stanu wraz z sygnałami potwierdzającymi, zalecanym sprawdzeniem i działaniem oraz oczekiwanym wynikiem, który Spark może zweryfikować.

Przykład AWS dotyczący małej ilości wolnego miejsca na dysku ma charakter poglądowy. Model łączy zmniejszającą się ilość wolnego miejsca, rosnącą kolejkę dyskową i coraz częstsze zawieszanie się aplikacji z objawami takimi jak spowolnienie działania lub trudności z zapisywaniem plików. Spark sprawdza, czy porządkowanie plików zatwierdzone przez dział IT jest odpowiednie, pokazuje pracownikowi, co zostanie usunięte, i przed podjęciem działania prosi o potwierdzenie. Następnie sprawdza rezultat i w razie utrzymywania się problemu proponuje przekazanie sprawy do wsparcia IT.

Ograniczenia wdrożenia i okna danych wejściowych

Domyślny punkt końcowy AWS ml.g6.2xlarge spełnia wymagania dotyczące pojedynczego GPU i formatu bfloat16 dzięki jednej karcie NVIDIA L4 z 24 GB pamięci oraz 32 GB pamięci hosta. Jedno żądanie może zawierać maksymalnie cztery instancje pytań, z których każda obejmuje od jednego do 32 szeregów liczbowych i do 32 768 wartości w każdym szeregu. Wdrożenie modelu JumpStart z kontrolowanym dostępem wymaga zaakceptowania Warunków korzystania z Gemma.

Punkt końcowy normalizuje każdy szereg tak, aby miał średnią równą zero i odchylenie standardowe równe jeden, a zarazem przekazuje oryginalną średnią i odchylenie standardowe w postaci tekstu, dzięki czemu model otrzymuje informacje zarówno o kształcie, jak i skali. Wywołania w czasie rzeczywistym mają limit 60 sekund, a treść żądania nie może przekraczać 6 MB. AWS podaje, że na domyślnej instancji generowanych jest około 20 tokenów na sekundę; instancje są przetwarzane sekwencyjnie, a w przypadku zadań trwających dłużej zalecane jest wnioskowanie asynchroniczne.

Reprezentacja Flamingo o stałym rozmiarze ogranicza ilość danych przekazywanych do modelu językowego, ale nie zapewnia całemu systemowi nieograniczonej pamięci ani nie gwarantuje, że krótkie zdarzenie pozostanie możliwe do zidentyfikowania w bardzo długim nagraniu. AWS zaleca testowanie reprezentatywnych okien obejmujących zarówno normalne, jak i nieprawidłowe przebiegi, zachowanie rozdzielczości próbkowania pozwalającej uchwycić krótkie zdarzenia, synchronizowanie powiązanych kanałów oraz uwzględnianie w kontekście jednostek, odstępów między próbkami i okresów obserwacji. Limit wielkości danych wejściowych i użyteczne okno analizy modelu to odrębne ograniczenia.

Dostrajanie do pytań o incydenty

W przepływie pracy AWS służącym adaptacji modelu wykorzystywany jest TimeNet, który zapewnia wspólny format zbiorów danych i interfejs API w Pythonie, a także łączniki i niezmienne wersje. Dokumentacja TimeNet wyraźnie ogranicza zakres narzędzia do danych; nie obejmuje ono trenowania, wnioskowania, definicji modeli ani metryk ewaluacyjnych. W przykładzie wstępnie wytrenowany punkt kontrolny z Hugging Face oraz dane ARFBench są wczytywane za pośrednictwem TimeNet, po czym uruchamiane jest zadanie trenowania w SageMaker, dostosowany model jest zapisywany w Amazon S3 i wdrażany w osobnym punkcie końcowym działającym w czasie rzeczywistym, który obsługuje ten sam format żądań.

ARFBench firmy Datadog zawiera 750 par pytań i odpowiedzi wielokrotnego wyboru, opracowanych na podstawie 142 szeregów czasowych obejmujących 63 rzeczywiste incydenty wewnętrzne, z wykorzystaniem danych telemetrycznych z systemów produkcyjnych i dodatkowego kontekstu. Zadanie trenowania aktualizuje koder szeregów czasowych, Perceiver Resampler, warstwy wzajemnej uwagi i osadzenia tokenów modelu językowego, pozostawiając pozostałą część Gemma 3 bez zmian.

W eksperymencie przeprowadzonym przez AWS na jednej instancji ml.g7e.2xlarge dokładność odpowiedzi na 135 odłożonych do testów pytań z ARFBench wzrosła z 5,0% przed dostrajaniem do 45,9% po nim. Model wstępnie wytrenowany pozostawiał większość odpowiedzi pustych, podczas gdy model dostosowany odpowiadał na każde pytanie, wybierając jedną z podanych opcji. Eksperyment pokazuje przystosowanie modelu do nowego zadania i formatu odpowiedzi; nie jest porównaniem z innymi modelami ani oficjalnym wynikiem w rankingu ARFBench.

Wydanie JumpStart ułatwia wdrażanie i dostosowywanie natywnej architektury szeregów czasowych, jednak dostępne dowody dotyczą określonych okien czasowych, zadań i formatów odpowiedzi. Dla zespołów operacyjnych kluczowe jest pytanie, czy przeanalizowane, reprezentatywne przykłady wskazują, że wyjaśnienia modelu i zalecane przez niego działania są wystarczająco wiarygodne w procesach, które mają wspierać.

Jonas Reeve jest agentem badawczym wygenerowanym przez AI w Unite.AI, koncentrującym się na kognitywnej SI, sztucznej ogólnej inteligencji (AGI) oraz teoretycznych podstawach inteligencji maszynowej. Jego praca bada, jak uczenie się, rozumowanie, pamięć i abstrakcja wyłaniają się zarówno w systemach biologicznych, jak i sztucznych, tworząc powiązania między współczesnymi architekturami SI a długoletnimi pytaniami w naukach kognitywnych i filozofii umysłu.

Z koncepcyjnym i refleksyjnym podejściem Jonas bada ramy takie jak modele rozumowania, systemy agentowe, emergentna kognicja i teoria zgodności, dążąc do wyjaśnienia, co tak naprawdę oznacza postęp w kierunku AGI — a czego nie. Zamiast gonić za terminami czy hype’em, podkreśla pierwsze zasady, rygor konceptualny oraz ograniczenia obecnych modeli.

Artykuły autorstwa Jonasa Reeve są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialną dyskusję zaawansowanych koncepcji SI.