Yapay zeka modelleri ve platformları
AWS, zaman serisi akıl yürütme özelliğine sahip OpenTSLM’yi SageMaker JumpStart’a getiriyor

Öne çıkan noktalarİnce ayar, ARFBench doğruluğunu ayrılmış olay sorularında %5,0'den %45,9'a yükseltti.
Daha fazla göster
- İnce ayar, ARFBench doğruluğunu ayrılmış olay sorularında %5,0'den %45,9'a yükseltti.
- Flamingo'nun sabit boyutlu temsili model belleğini sınırlar ancak kısa olayların uzun kayıtlarda hayatta kalmasını garanti edemez.
- Yönetilen sürüm dağıtımı kolaylaştırırken kanıtları belirli pencerelere ve yanıt biçimlerine bağlı kalır.
Amazon Web Services, OpenTSLM-Flamingo Gemma 3 4B’nin AWS’nin makine öğrenimi model merkezi Amazon SageMaker JumpStart’ta kullanıma sunulduğunu 17 Kasım 2026’da duyurdu. Müşteriler, 5,24 milyar parametreli modeli kendi AWS ortamlarındaki gerçek zamanlı SageMaker AI çıkarım uç noktasına dağıtabiliyor.
OpenTSLM; bakım kayıtları, piyasa haberleri ve mühendislerin gözlemleri gibi metinlerin yanı sıra sayısal ölçümleri de yorumlayarak doğal dilde açıklamalar ve yanıtlar sunuyor. JumpStart paketi, Gemma 3 4B’yi bir zaman serisi kodlayıcısı ve dil modelinin kodlanmış sinyallere odaklanmasını sağlayan çapraz dikkat katmanlarıyla bir araya getiriyor. bfloat16 biçiminde saklandığında modelin ağırlıkları yaklaşık 10,5 GB GPU belleği kaplıyor.
OpenTSLM araştırma makalesi, bu Flamingo mimarisini SoftPrompt’tan ayırıyor. Her ikisi de zaman serilerini yerel bir girdi türü olarak ele alıyor; ancak SoftPrompt, dil modelinin dizisine öğrenilmiş zaman serisi belirteçleri eklerken Flamingo, sabit boyutlu bir gizil temsil oluşturmak için Perceiver Resampler’dan ve bu temsili bütünleştirmek için kapılı çapraz dikkatten yararlanıyor. İlk değerlendirme; EKG soru yanıtlama, uyku evrelerinin belirlenmesi ve insan etkinliğinin tanınması görevlerini kapsıyordu. Böylece yönetilen sürüm, tıbbi ve giyilebilir cihaz verilerine dayanan bir araştırma temeline sahip oldu.
Ayrı OpenTSLM deposu MIT lisanslıdır ve ince ayar kodu sunar; önceden eğitilmiş kontrol noktaları ise projenin Hugging Face kuruluşu üzerinden edinilebilir. Depoda, projenin Stanford University bünyesindeki Schmiedmayer Lab ile ETH Zurich bünyesindeki Agentic Systems Lab’ın iş birliği olduğu belirtiliyor.
Nexthink’in proaktif BT destek iş akışı
AWS, Nexthink ve Aionic Labs’ın, çalışanların yardım istemeden önce destek alabilmesi için Nexthink’in kişisel BT ajanı Spark aracılığıyla proaktif yardım sunmaya yönelik çalışmalar yürüttüğünü belirtiyor. İş akışı; yakın tarihli CPU, bellek, disk, uygulama kararlılığı ve bağlantı ölçümlerini zaman damgalı olaylar, cihaz yapılandırması ve yazılım sürümleriyle bir araya getiriyor. Model; destekleyici sinyallerle birlikte bir durum özeti, önerilen bir kontrol ve eylem ile Spark’ın doğrulayabileceği beklenen bir sonuç sunuyor.
AWS’nin düşük disk alanı örneği açıklama amaçlıdır. Model; boş alanın azalması, disk kuyruğunun uzaması ve uygulamaların daha sık takılması gibi işaretleri yavaş performans veya dosya kaydetme güçlüğü gibi belirtilerle ilişkilendiriyor. Spark, BT tarafından onaylanmış bir temizliğin uygun olup olmadığını kontrol ediyor, çalışana nelerin silineceğini gösteriyor ve işlem yapmadan önce onay istiyor. Ardından sonucu kontrol ediyor ve sorun devam ederse BT desteğine yönlendirme seçeneği sunuyor.
Dağıtım sınırları ve girdi pencereleri
AWS’nin varsayılan ml.g6.2xlarge uç noktası, tek GPU ve bfloat16 gereksinimlerini tek bir 24 GB NVIDIA L4 ve 32 GB ana bellekle karşılıyor. Bir istek en fazla dört soru örneği içerebilir; her örnekte bir ila 32 sayısal seri ve seri başına en fazla 32.768 değer bulunabilir. Erişimi kısıtlı JumpStart modelini dağıtmak için Gemma Kullanım Koşulları’nın kabul edilmesi gerekir.
Uç nokta, her seriyi ortalaması sıfır ve standart sapması bir olacak şekilde standartlaştırırken modelin hem şekli hem ölçeği alabilmesi için özgün ortalama ve standart sapmayı metin olarak da sağlıyor. Gerçek zamanlı çağrılar 60 saniyeyle ve istek gövdesi 6 MB’la sınırlı. AWS, varsayılan bulut sunucusunda saniyede yaklaşık 20 belirteç üretildiğini bildiriyor; bulut sunucuları sırayla işleniyor ve daha uzun süren işler için eşzamansız çıkarım öneriliyor.
Flamingo’nun sabit boyutlu temsili, dil modeline ulaşan veriyi sınırlar; ancak bu, tüm sisteme sınırsız bellek kazandırmaz veya çok uzun bir kayıttaki kısa bir olayın ayırt edilebilir kalacağını garanti etmez. AWS, olağan ve olağandışı durumları temsil eden pencerelerle test yapılmasını, kısa olaylar için örnekleme çözünürlüğünün korunmasını, ilişkili kanalların hizalanmasını ve bağlama birimlerin, örnekleme aralıklarının ve gözlem dönemlerinin eklenmesini öneriyor. İstek boyutu sınırı ile modelin yararlı analiz penceresi birbirinden ayrı kısıtlardır.
Olay soruları için ince ayar
AWS’nin uyarlama iş akışında TimeNet kullanılıyor. TimeNet, bağlayıcılar ve değiştirilemez sürümlerle birlikte ortak bir veri kümesi biçimi ve Python API’si sunuyor. Belgelerinde kapsamının açıkça yalnızca verilerle sınırlı olduğu; eğitim, çıkarım, model tanımları ve değerlendirme ölçütlerinin kapsam dışında kaldığı belirtiliyor. Örnek, Hugging Face’ten önceden eğitilmiş bir kontrol noktası ve TimeNet üzerinden ARFBench verileri yüklüyor, bir SageMaker eğitim işi çalıştırıyor, uyarlanmış modeli Amazon S3’te depoluyor ve aynı istek biçimini kullanan ayrı bir gerçek zamanlı uç noktaya dağıtıyor.
Datadog’un ARFBench veri kümesi, üretim telemetrisi ve ek bağlam kullanılarak gerçek şirket içi 63 olayda kaydedilen 142 zaman serisinden türetilmiş 750 çoktan seçmeli soru-cevap çifti içeriyor. Eğitim işi, Gemma 3’ün geri kalanını dondururken zaman serisi kodlayıcısını, Perceiver Resampler’ı, çapraz dikkat katmanlarını ve dil modelinin belirteç gömmelerini güncelliyor.
AWS’nin tek bir ml.g7e.2xlarge bulut sunucusunda yaptığı çalışmada, ince ayar öncesinde 135 ayrılmış ARFBench sorusundaki doğruluk oranı %5,0 iken sonrasında %45,9’a çıktı. Önceden eğitilmiş model yanıtların çoğunu boş bırakırken uyarlanmış model, sunulan bir seçenekle her soruyu yanıtladı. Bu çalışma, yeni bir göreve ve yanıt biçimine uyarlamayı gösteriyor; diğer modellerle yapılmış bir karşılaştırma veya resmî bir ARFBench liderlik tablosu sonucu değil.
JumpStart sürümü, yerel bir zaman serisi mimarisinin dağıtımını ve uyarlanmasını kolaylaştırırken, eldeki kanıtlar belirli zaman aralıkları, görevler ve yanıt biçimleriyle sınırlı kalıyor. Operasyon ekipleri için temel soru, incelenmiş ve temsil gücü olan örneklerin, modelin açıklamalarının ve önerdiği eylemlerin desteklemeleri beklenen iş akışlarında kullanılabilecek kadar güvenilir olduğunu gösterip göstermediğidir.












