NVIDIA anunță modelul multivariat de prognoză a seriilor temporale Kumo Forecast, cu acces deschis

Pe 21 octombrie 2026, NVIDIA a anunțat Kumo Forecast, un model cu acces deschis pentru prognoza seriilor temporale multivariate, care combină un model Transformer de bază preantrenat MOMENT-1-large cu recuperarea opțională a datelor istorice și un cadru de interpretabilitate independent de model. Modelul, cunoscut anterior sub numele de NV-Tesseract Forecasting, este disponibil sub licența Apache 2.0, iar NVIDIA l-a prezentat în o postare oficială pe blogul Hugging Face.

Postarea a fost redactată de Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz și Viraj P Modak, de la NVIDIA. Codul modelului este distribuit prin depozitul GitHub NVIDIA/Kumo-TS, o bibliotecă open-source pentru serii temporale care include și pachetul Kumo-Anomaly, bazat pe difuzie, în timp ce ponderile preantrenate sunt distribuite prin fișa modelului nvidia/Kumo-Forecast de pe Hugging Face. Fișa indică data lansării pe Hugging Face ca fiind 04/07/2026, disponibilitatea la nivel global și utilizarea declarată de către companii, organizații și centre de cercetare care prognozează date temporale pe orizonturi lungi sau scurte.

Model de bază preantrenat și prognoză directă

Kumo Forecast folosește codificatorul Transformer MOMENT-1-large ca model de bază, cu un codificator de bază de aproximativ 340 de milioane de parametri și un cap de prognoză antrenabil. Ponderile codificatorului și ale modulului de încorporare rămân înghețate în timpul antrenării, iar antrenat este doar capul de prognoză; astfel, modelul de reprezentare preantrenat este separat de stratul de predicție specific sarcinii. În calea de prognoză directă, capul transformă reprezentările modelului în valori viitoare pentru orizontul solicitat; pentru orizonturi care depășesc capacitatea nativă a modelului, biblioteca permite extinderea autoregresivă, prin care predicțiile sunt extinse recursiv.

Biblioteca oferă un API conceput în primul rând pentru DataFrame-uri, cu orizonturi de prognoză configurabile și posibilitatea de a folosi context istoric pentru recuperare. Datele de intrare trebuie să fie numerice și temporale, să conțină o coloană cu marcaje temporale și una sau mai multe coloane cu valori numerice și să fie furnizate sub forma unui DataFrame pandas sau a unui fișier CSV/JSON; lungimile acceptate pentru secvențele de intrare sunt 256, 512, 1024 și 2048 de observații. Datele de ieșire sunt DataFrame-uri pandas care conțin marcaje temporale și valori prognozate pentru orizontul specificat.

Recuperare DARR și interpretabilitate

Pe lângă prognoza directă, Kumo Forecast include Domain-Aware Representation and Retrieval (DARR), un mod îmbogățit cu context care completează predicțiile cu recuperarea celor mai apropiați k vecini din date istorice. SDK-ul primește aceste date istorice printr-un argument separat, context_df, diferențiind astfel fereastra de intrare a modelului, care furnizează observațiile recente, de contextul de recuperare, care furnizează tipare suplimentare. Dezvoltatorii pot ajusta, prin opțiunile de configurare ale bibliotecii, măsura în care predicția finală se bazează pe fiecare cale. NVIDIA menționează drept limitare faptul că dimensiunile contextului de recuperare trebuie să fie similare cu cele ale contextului de intrare.

Exemplul DARR din depozit setează alpha la 0.2, descris într-un comentariu din cod ca reprezentând 20 la sută prognoză directă și 80 la sută recuperare kNN, precum și k la 64 și temperatura la 0.05. Pentru mai multe detalii despre acest mod, NVIDIA le recomandă dezvoltatorilor lucrarea Prognoză augmentată cu memorie: scalabilitate și generalizare în domenii temporale, pe care lista de referințe din depozit o include în lucrările Conferinței Internaționale IEEE din 2025 privind Big Data.

Cadrul de interpretabilitate este independent de model și funcționează fără a modifica modelul de prognoză subiacent. Când este activat, generează un pachet explicativ care conține atribuiri ale decalajelor și caracteristicilor pentru fiecare orizont de prognoză, diagnostice ale fluxului semantic, diagnostice ale stabilității traiectoriei și, opțional, Integrated Gradients pentru încorporări. Dacă se setează interpretability=True în SDK, pachetul este salvat alături de prognoză, ca fișiere JSON și CSV, precum și ca raport PDF.

Cadrul se bazează pe prepublicarea NVExplain: explicarea prognozării seriilor temporale prin analiza traiectoriilor latente și modele surogat care păstrează structura, semnată de Muyan Anna Li, Manikandan Ravikiran și Aditi Gautam și trimisă către arXiv pe 25 august 2026. Lucrarea modelează prognozarea ca o traiectorie latentă, introduce fluxul semantic pentru a cuantifica modul în care evoluează informația în timp în reprezentările interne ale unui model, agregă acest flux într-o matrice de atribuire decalaj-orizont și aplică perturbări care păstrează structura, împreună cu modele surogat locale rare, pentru a produce explicații ușor de înțeles. Autorii raportează că varianta bazată pe fluxul semantic obține o fidelitate competitivă sau superioară celei a metodelor standard post-hoc, fiind în același timp semnificativ mai eficientă din punct de vedere computațional, și că analiza lor a stabilității identifică regimuri în care interpretarea trebuie aplicată cu prudență.

Date de antrenare, cerințe de execuție și integrări

Potrivit fișei modelului, pentru antrenare au fost folosite 3 milioane de puncte de date, cu o împărțire 80/20 pentru fiecare set de date, începând cu Monash Time Series Forecasting Archive, descrisă drept o colecție diversă de 30 de seturi de date primare, care include variații cu valori lipsă. Seturile de date de evaluare enumerate în fișă sunt ECL, date despre consumul de electricitate pentru 370 de clienți, înregistrate la fiecare 15 minute în perioada 2011–2014; Traffic, rate de ocupare a carosabilului măsurate de senzori de pe autostrăzile din zona golfului San Francisco; ETTh, temperatura uleiului transformatoarelor electrice și șase caracteristici ale sarcinii electrice, colectate din oră în oră timp de doi ani; și ILI, date săptămânale ale Centers for Disease Control din SUA, care descriu raportul dintre pacienții cu simptome asemănătoare gripei și numărul total de pacienți. Fișa citează, de asemenea, ca referințe lucrările MOMENT, TimeRAF și Beyond MAE despre erorile de dependență temporală.

Kumo-Forecast rulează pe PyTorch, cu suport pentru microarhitecturile NVIDIA Ampere și Hopper în Linux, iar fișa modelului menționează testarea inferenței pe sisteme A100 și H100, fiecare cu opt GPU-uri. Pentru Kumo-Forecast, depozitul specifică Python 3.10 sau o versiune ulterioară, PyTorch 2.7 sau o versiune ulterioară, pandas și numpy; recomandă utilizarea unui GPU, cu trecere automată la CPU în lipsa acestuia, și descarcă automat ponderile preantrenate de pe Hugging Face. Fișa modelului precizează că modelele sunt proiectate și optimizate pentru sisteme accelerate cu GPU-uri NVIDIA și că integrarea în sisteme de inteligență artificială necesită testări suplimentare, specifice cazului de utilizare, conform metodologiei modelului V.

Pentru evaluarea specifică aplicației, NVIDIA recomandă compararea configurațiilor directe și îmbunătățite prin recuperare pe aceleași ferestre de prognoză rezervate pentru testare și validarea calității prognozelor pentru orizonturile și condițiile de operare vizate. Depozitul Kumo-TS oferă, în plus, un exemplu de ajustare fină a Kumo-Forecast pe baza unui fișier CSV furnizat de utilizator, punând la dispoziția dezvoltatorilor atât un flux de lucru pentru inferența cu un model preantrenat, cât și un punct de pornire documentat pentru adaptarea modelului la propriile date. În ceea ce privește implementarea, Factory Operations Blueprint include acces anticipat la un modul de mentenanță predictivă, care folosește Kumo Anomaly și Kumo Forecast pentru a analiza date în timp real și a prezice anomalii viitoare, iar articolul NVIDIA oferă un link către o sesiune GTC San Jose 2026 despre integrarea platformei.