Модели и платформы ИИ
AWS переносит рассуждения о временных рядах OpenTSLM в SageMaker JumpStart

Ключевые моментыТонкая настройка повысила точность ARFBench с 5,0% до 45,9% на отложенных вопросах об…
Показать больше
- Тонкая настройка повысила точность ARFBench с 5,0% до 45,9% на отложенных вопросах об инцидентах.
- Представление фиксированного размера Flamingo ограничивает память модели, но не может гарантировать, что краткие события сохранятся в длинных записях.
- Управляемый выпуск упрощает развертывание, при этом его доказательства остаются привязанными к конкретным окнам и форматам ответов.
Amazon Web Services объявила 17 ноября 2026 года, что OpenTSLM-Flamingo Gemma 3 4B доступна в Amazon SageMaker JumpStart — центре моделей машинного обучения AWS. Клиенты могут развернуть модель с 5,24 млрд параметров в собственной среде AWS, используя конечную точку вывода SageMaker AI в реальном времени.
OpenTSLM анализирует числовые измерения вместе с текстовыми данными, такими как записи о техническом обслуживании, рыночные новости и наблюдения инженеров, а затем формирует объяснения и ответы на естественном языке. Пакет JumpStart объединяет Gemma 3 4B с кодировщиком временных рядов и слоями перекрёстного внимания, благодаря которым языковая модель может учитывать закодированные сигналы. При хранении в формате bfloat16 её веса занимают около 10,5 ГБ видеопамяти.
В исследовательской статье об OpenTSLM эта архитектура Flamingo противопоставляется SoftPrompt. Оба подхода рассматривают временные ряды как полноценный тип входных данных, однако SoftPrompt добавляет обученные токены временных рядов в последовательность языковой модели, тогда как Flamingo использует Perceiver Resampler для создания латентного представления фиксированного размера и механизм перекрёстного внимания с вентильной структурой для его интеграции. Первоначальная оценка охватывала ответы на вопросы по ЭКГ, классификацию стадий сна и распознавание физической активности человека, обеспечивая исследовательскую основу управляемой версии, связанную с медицинскими данными и данными носимых устройств.
Отдельный репозиторий OpenTSLM распространяется по лицензии MIT и содержит код для дообучения; предварительно обученные контрольные точки доступны в организации проекта на Hugging Face. В репозитории указано, что проект создан в сотрудничестве лаборатории Schmiedmayer Lab Стэнфордского университета и лаборатории Agentic Systems Lab Цюрихского федерального технологического института (ETH Zurich).
Проактивная поддержка ИТ-службы от Nexthink
По описанию AWS, Nexthink и Aionic Labs работают над проактивной помощью с помощью Spark — персонального ИТ-агента Nexthink, который позволит сотрудникам получать поддержку ещё до того, как они о ней попросят. Рабочий процесс объединяет последние данные о загрузке процессора, использовании памяти и диска, стабильности приложений и подключении с событиями, снабжёнными временными метками, конфигурацией устройства и версиями программного обеспечения. Модель формирует сводку о состоянии с подтверждающими сигналами, рекомендуемой проверкой и действием, а также ожидаемым результатом, который Spark может проверить.
Пример AWS с нехваткой свободного места на диске носит иллюстративный характер. Модель связывает сокращение свободного места, увеличение очереди диска и учащение зависаний приложений с такими симптомами, как снижение производительности или трудности при сохранении файлов. Spark проверяет, подходит ли очистка, одобренная ИТ-службой, показывает сотруднику, какие данные будут удалены, и запрашивает подтверждение перед выполнением действия. Затем он проверяет результат и, если проблема сохраняется, предлагает передать её специалистам ИТ-поддержки.
Ограничения развертывания и окна входных данных
Конечная точка AWS по умолчанию ml.g6.2xlarge соответствует требованиям к одной видеокарте и формату bfloat16: она оснащена одной NVIDIA L4 с памятью 24 ГБ и 32 ГБ оперативной памяти хоста. Один запрос может содержать до четырёх экземпляров вопросов, каждый из которых включает от одного до 32 числовых рядов, а каждый ряд — до 32 768 значений. Для развертывания модели JumpStart с ограниченным доступом необходимо принять Условия использования Gemma.
Конечная точка нормализует каждый ряд так, чтобы его среднее значение равнялось нулю, а стандартное отклонение — единице. Исходные среднее значение и стандартное отклонение передаются в виде текста, поэтому модель получает информацию и о форме, и о масштабе ряда. Вызовы в реальном времени ограничены 60 секундами, а размер тела запроса — 6 МБ. По данным AWS, на экземпляре по умолчанию генерируется около 20 токенов в секунду; экземпляры обрабатываются последовательно, а для более длительных задач рекомендуется асинхронный вывод.
Представление фиксированного размера в Flamingo ограничивает объём данных, поступающих в языковую модель, но это не наделяет всю систему неограниченной памятью и не гарантирует, что кратковременное событие останется различимым в очень длинной записи. AWS рекомендует тестировать репрезентативные нормальные и аномальные временные окна, сохранять разрешение выборки, достаточное для выявления кратковременных событий, синхронизировать связанные каналы и указывать в контексте единицы измерения, интервалы выборки и периоды наблюдения. Ограничение на размер полезной нагрузки и окно анализа, в котором модель работает эффективно, — это разные ограничения.
Дообучение для ответов на вопросы об инцидентах
В процессе адаптации AWS используется TimeNet, предоставляющий единый формат наборов данных и API для Python с коннекторами и неизменяемыми версиями. В документации TimeNet прямо указано, что его область применения ограничивается данными; обучение, вывод, определения моделей и метрики оценки в неё не входят. В примере предварительно обученная контрольная точка загружается с Hugging Face, а данные ARFBench — через TimeNet; затем запускается задача обучения в SageMaker, адаптированная модель сохраняется в Amazon S3 и развёртывается на отдельной конечной точке для вывода в реальном времени с тем же форматом запросов.
ARFBench от Datadog содержит 750 пар вопросов и ответов с вариантами выбора, составленных на основе 142 временных рядов, относящихся к 63 реальным внутренним инцидентам, и использует телеметрию производственной среды и дополнительный контекст. В процессе обучения обновляются кодировщик временных рядов, Perceiver Resampler, слои перекрёстного внимания и векторные представления токенов языковой модели, тогда как остальные параметры Gemma 3 остаются замороженными.
В собственном эксперименте AWS на одном экземпляре ml.g7e.2xlarge точность на 135 отложенных вопросах ARFBench выросла с 5,0% до дообучения до 45,9% после него. Предварительно обученная модель оставляла без ответа большинство вопросов, тогда как адаптированная ответила на каждый вопрос, выбрав один из предложенных вариантов. Эксперимент демонстрирует адаптацию к новой задаче и формату ответов; это не сравнение с другими моделями и не официальный результат в таблице лидеров ARFBench.
Выпуск на JumpStart упрощает развёртывание и адаптацию нативной архитектуры для временных рядов, однако подтверждающие её результаты по-прежнему относятся к конкретным временным интервалам, задачам и форматам ответов. Для операционных команд главный вопрос заключается в том, показывают ли проверенные репрезентативные примеры, что объяснения модели и рекомендуемые ею действия достаточно надёжны для рабочих процессов, которым они призваны помогать.












