NVIDIA, Açık Kumo Forecast Çok Değişkenli Zaman Serisi Modelini Duyurdu

NVIDIA, 21 Ekim 2026’da, önceden eğitilmiş MOMENT-1-large Transformer omurgasını geçmiş veriler üzerinde isteğe bağlı erişim ve modelden bağımsız bir yorumlanabilirlik çerçevesiyle birleştiren açık bir çok değişkenli zaman serisi tahmin modeli olan Kumo Forecast’ü duyurdu. Daha önce NV-Tesseract Forecasting olarak bilinen model, Apache 2.0 lisansı altında kullanıma sunuldu; NVIDIA modelin ayrıntılarını Hugging Face blogundaki resmî bir yazıda paylaştı.

Yazıyı NVIDIA’dan Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz ve Viraj P Modak kaleme aldı. Model kodu, difüzyon tabanlı Kumo-Anomaly paketini de barındıran açık kaynaklı bir zaman serisi kütüphanesi olan NVIDIA/Kumo-TS GitHub deposu üzerinden dağıtılıyor; önceden eğitilmiş ağırlıklar ise Hugging Face’teki nvidia/Kumo-Forecast model kartı aracılığıyla sunuluyor. Kartta Hugging Face yayın tarihi 04/07/2026, küresel dağıtım ve zamansal veriler üzerinde uzun veya kısa ufuklu tahminler yapan şirketler, kuruluşlar ve araştırma merkezleri şeklinde belirtilen bir kullanım alanı listeleniyor.

Önceden Eğitilmiş Omurga ve Doğrudan Tahmin

Kumo Forecast, omurga olarak MOMENT-1-large Transformer kodlayıcısını kullanıyor; model, yaklaşık 340 milyon parametreli bir temel kodlayıcıya ve eğitilebilir bir tahmin başlığına sahip. Eğitim sırasında kodlayıcı ve gömme katmanı ağırlıkları sabit kalırken yalnızca tahmin başlığı eğitiliyor; böylece önceden eğitilmiş temsil modeli, göreve özgü tahmin katmanından ayrılıyor. Doğrudan tahmin yolunda başlık, modelin temsillerini istenen tahmin ufkuna ait gelecek değerlere dönüştürüyor; modelin yerel kapasitesini aşan ufuklar içinse kütüphane, tahminleri yinelemeli biçimde genişleten otoregresif uzatmayı destekliyor.

Kütüphane, yapılandırılabilir tahmin ufukları ve erişim için isteğe bağlı geçmiş bağlam sunan, önceliği DataFrame kullanımına veren bir API sağlıyor. Girdiler; zaman damgası sütunu ile bir veya daha fazla sayısal değer sütunundan oluşan sayısal zamansal veriler olmalı ve pandas DataFrame’i ya da CSV/JSON biçiminde sağlanmalıdır. Desteklenen girdi dizisi uzunlukları 256, 512, 1024 ve 2048 gözlemdir. Çıktılar, belirtilen tahmin ufkuna ait zaman damgaları ve öngörülen değerleri içeren pandas DataFrame’leridir.

DARR ile Erişim ve Yorumlanabilirlik

Kumo Forecast, doğrudan tahminin yanı sıra, geçmiş verilerden k en yakın komşu erişimiyle tahminleri zenginleştiren, bağlamı güçlendirilmiş bir mod olan Alan Farkındalıklı Temsil ve Erişim’i (DARR) içeriyor. SDK, bu geçmiş verileri ayrı bir context_df argümanıyla alıyor; böylece yakın dönem gözlemlerini sağlayan model girdi penceresi ile ek örüntüleri sağlayan erişim bağlamı birbirinden ayrılıyor. Geliştiriciler, kütüphanenin yapılandırma seçenekleri aracılığıyla nihai tahminin her bir yola ne ölçüde dayanacağını ayarlayabiliyor. NVIDIA, erişim bağlamının boyutlarının girdi bağlamının boyutlarına benzer olması gerektiğini bir sınırlama olarak belirtiyor.

Deponun DARR örneğinde alfa değeri 0.2 olarak ayarlanıyor; kod yorumunda bu değer, yüzde 20 doğrudan tahmin ve yüzde 80 kNN erişimi şeklinde açıklanıyor. Örnekte ayrıca k değeri 64, sıcaklık değeri ise 0.05 olarak belirleniyor. NVIDIA, bu mod hakkında daha fazla bilgi için geliştiricileri Zamansal Alanlarda Ölçeklenebilirlik ve Genelleme: Bellekle Zenginleştirilmiş Tahmin başlıklı makaleye yönlendiriyor. Deponun kaynakça listesinde makale, 2025 IEEE Büyük Veri Uluslararası Konferansı bildirileri arasında yer alıyor.

Yorumlanabilirlik çerçevesi modelden bağımsızdır ve temel tahmin modelinde değişiklik yapmadan çalışır. Etkinleştirildiğinde, her tahmin ufku için gecikme ve özellik katkılarını, anlamsal akış tanılamalarını, yörünge kararlılığı tanılamalarını ve isteğe bağlı gömme Integrated Gradients sonuçlarını içeren bir açıklama paketi üretir. SDK’de interpretability=True parametresi kullanıldığında paket, tahminin yanında JSON ve CSV dosyaları ile bir PDF raporu olarak kaydedilir.

Çerçeve, Muyan Anna Li, Manikandan Ravikiran ve Aditi Gautam’ın 25 Ağustos 2026’da arXiv’e gönderdiği NVExplain: Gizil Yörünge Analizi ve Yapıyı Koruyan Vekil Modellerle Zaman Serisi Tahminlerini Açıklama başlıklı ön baskıyı temel alıyor. Makalede tahmin, gizil bir yörünge olarak modelleniyor; bir modelin iç temsillerinde bilginin zaman içinde nasıl değiştiğini nicelendirmek için anlamsal akış kavramı sunuluyor, bu akış gecikme-tahmin ufku katkı matrisinde bir araya getiriliyor ve insan tarafından okunabilir açıklamalar üretmek için seyrek yerel vekil modellerle yapıyı koruyan bozmalar uygulanıyor. Yazarlar, anlamsal akış varyantının standart sonradan açıklama temel yöntemlerine kıyasla rekabetçi veya daha yüksek bir doğruluk düzeyine önemli ölçüde daha verimli hesaplamayla ulaştığını; ayrıca kararlılık analizlerinin, yorumlamanın dikkatle uygulanması gereken rejimleri belirlediğini bildiriyor.

Eğitim Verileri, Çalışma Zamanı Gereksinimleri ve Entegrasyonlar

Model kartına göre eğitimde, her veri kümesi için 80/20 oranında bölünmüş 3 milyon veri noktası kullanıldı. Eğitimde, eksik değer varyasyonlarını da içeren 30 temel veri kümesinden oluşan çeşitli bir koleksiyon olarak tanımlanan Monash Time Series Forecasting Archive ile başlandı. Kartta listelenen değerlendirme veri kümeleri şunlardır: 2011-2014 arasında her 15 dakikada bir kaydedilen 370 müşterinin elektrik tüketimi verilerinden oluşan ECL; San Francisco Körfez Bölgesi otoyollarındaki sensörlerle ölçülen yol doluluk oranlarından oluşan Traffic; iki yıl boyunca saatlik olarak toplanan elektrik transformatörü yağ sıcaklığı ve altı güç yükü özelliğinden oluşan ETTh; ve grip benzeri hastalığı olan hastaların toplam hastalara oranını açıklayan, ABD Hastalık Kontrol ve Önleme Merkezlerinin haftalık verilerinden oluşan ILI. Kartta ayrıca kaynak olarak zamansal bağımlılık hataları üzerine MOMENT, TimeRAF ve Beyond MAE makaleleri de gösteriliyor.

Kumo-Forecast, Linux üzerinde NVIDIA Ampere ve Hopper mikro mimarilerini destekleyerek PyTorch ile çalışıyor. Model kartında, her birinde sekiz GPU bulunan A100 ve H100 sistemlerinde çıkarım testleri yapıldığı belirtiliyor. Depoda Kumo-Forecast için Python 3.10 veya üzeri, PyTorch 2.7 veya üzeri, pandas ve numpy gereksinimleri belirtiliyor; GPU kullanılması öneriliyor, ancak GPU yoksa otomatik olarak CPU’ya geçiliyor. Önceden eğitilmiş ağırlıklar Hugging Face’ten otomatik olarak indiriliyor. Model kartında, modellerin NVIDIA GPU hızlandırmalı sistemler için tasarlanıp optimize edildiği ve yapay zekâ sistemlerine entegrasyon için V-model metodolojisini izleyen, kullanım senaryosuna özgü ek testlerin gerektiği belirtiliyor.

Uygulamaya özgü değerlendirme için NVIDIA, doğrudan ve erişimle zenginleştirilmiş yapılandırmaların aynı ayrılmış tahmin pencerelerinde karşılaştırılmasını ve tahmin kalitesinin hedeflenen ufuklar ile çalışma koşulları boyunca doğrulanmasını öneriyor. Kumo-TS deposunda ayrıca, Kumo-Forecast’i kullanıcının sağladığı bir CSV dosyasıyla ince ayarlamaya yönelik bir örnek bulunuyor. Böylece geliştiriciler hem önceden eğitilmiş bir modelle çıkarım iş akışına hem de modeli kendi verilerine uyarlamak için belgelenmiş bir başlangıç noktasına sahip oluyor. Dağıtım tarafında Factory Operations Blueprint, gerçek zamanlı verileri analiz edip gelecekteki anormallikleri tahmin etmek için Kumo Anomaly ve Kumo Forecast’ten yararlanan bir Öngörücü Bakım modülüne Erken Erişim sunuyor. NVIDIA’nın paylaşımında ayrıca platform entegrasyonunu ele alan GTC San Jose 2026 oturumuna bağlantı veriliyor.