Моделі та платформи ШІ
AWS додає міркування на основі часових рядів OpenTSLM до SageMaker JumpStart

Ключові моментиТонке налаштування підвищило точність ARFBench з 5,0% до 45,9% на відкладених питаннях…
Показати більше
- Тонке налаштування підвищило точність ARFBench з 5,0% до 45,9% на відкладених питаннях щодо інцидентів.
- Фіксований розмір представлення Flamingo обмежує пам'ять моделі, але не може гарантувати, що короткі події збережуться в довгих записах.
- Керований випуск спрощує розгортання, тоді як його докази залишаються прив'язаними до конкретних вікон і форматів відповідей.
Amazon Web Services оголосила 17 листопада 2026 року, що OpenTSLM-Flamingo Gemma 3 4B доступна в Amazon SageMaker JumpStart — центрі моделей машинного навчання AWS. Клієнти можуть розгорнути модель із 5,24 млрд параметрів у кінцевій точці SageMaker AI для інференсу в реальному часі у власному середовищі AWS.
OpenTSLM аналізує числові вимірювання разом із текстовими даними, як-от записи про технічне обслуговування, ринкові новини та спостереження інженерів, а потім надає пояснення й відповіді природною мовою. Пакет JumpStart поєднує Gemma 3 4B із кодувальником часових рядів і шарами перехресної уваги, які дають змогу мовній моделі зосереджуватися на закодованих сигналах. Якщо зберігати ваги у форматі bfloat16, вони займають близько 10,5 ГБ пам’яті GPU.
У науковій статті про OpenTSLM цю архітектуру Flamingo відрізнено від SoftPrompt. Обидва підходи розглядають часові ряди як вбудований тип вхідних даних, але SoftPrompt додає до послідовності мовної моделі навчені токени часових рядів, тоді як Flamingo використовує Perceiver Resampler для створення латентного представлення фіксованого розміру та механізм керованої перехресної уваги для його інтеграції. Початкове оцінювання охоплювало відповіді на запитання за даними ЕКГ, класифікацію стадій сну та розпізнавання активності людини, забезпечивши керованому релізу наукову основу, що спирається на медичні дані та дані носимих пристроїв.
Окремий репозиторій OpenTSLM ліцензовано за MIT; у ньому є код для донавчання, а попередньо навчені контрольні точки доступні через організацію проєкту на Hugging Face. У репозиторії зазначено, що проєкт є спільною роботою Schmiedmayer Lab Стенфордського університету та Agentic Systems Lab ETH Zurich.
Проактивний робочий процес ІТ-підтримки Nexthink
За описом AWS, Nexthink і Aionic Labs працюють над проактивною допомогою за допомогою Spark — персонального ІТ-агента Nexthink, щоб працівники могли отримати допомогу ще до того, як попросять про неї. Робочий процес поєднує нещодавні вимірювання завантаження CPU, використання пам’яті й диска, стабільності роботи застосунків і підключення з подіями, позначеними часовими мітками, конфігурацією пристрою та версіями програмного забезпечення. Модель надає зведення про стан із підтверджувальними сигналами, рекомендовану перевірку й дію, а також очікуваний результат, який Spark може перевірити.
Приклад AWS із нестачею вільного місця на диску має ілюстративний характер. Модель пов’язує зменшення вільного місця, збільшення черги диска та частіші зависання застосунків із такими симптомами, як повільна робота або труднощі зі збереженням файлів. Spark перевіряє, чи доречне очищення, схвалене ІТ-відділом, пояснює працівникові, що буде видалено, і перед виконанням запитує підтвердження. Потім Spark перевіряє результат і, якщо проблема не зникає, пропонує звернутися до ІТ-підтримки.
Обмеження розгортання та вікна вхідних даних
Стандартна кінцева точка AWS ml.g6.2xlarge відповідає вимогам до однієї GPU та формату bfloat16: вона має одну NVIDIA L4 обсягом 24 ГБ і 32 ГБ оперативної пам’яті хоста. Один запит може містити до чотирьох екземплярів запитань; кожен із них — від одного до 32 числових рядів, а кожен ряд — до 32 768 значень. Щоб розгорнути модель JumpStart із контрольованим доступом, потрібно прийняти Умови використання Gemma.
Кінцева точка нормалізує кожен ряд до середнього значення нуль і стандартного відхилення один, водночас передаючи початкові середнє значення та стандартне відхилення у вигляді тексту, щоб модель отримувала інформацію і про форму, і про масштаб. Виклики в реальному часі обмежені 60 секундами, а розмір тіла запиту — 6 МБ. За даними AWS, на стандартному екземплярі генерується приблизно 20 токенів за секунду; екземпляри обробляються послідовно, а для триваліших завдань рекомендовано асинхронний інференс.
Представлення Flamingo фіксованого розміру обмежує обсяг даних, що надходять до мовної моделі, але це не наділяє всю систему необмеженою пам’яттю й не гарантує, що короткочасну подію вдасться розпізнати в дуже довгому записі. AWS радить перевіряти репрезентативні нормальні й аномальні вікна, зберігати роздільну здатність вибірки, потрібну для коротких подій, узгоджувати пов’язані канали та додавати до контексту одиниці вимірювання, інтервали вибірки й періоди спостереження. Обмеження розміру запиту та корисне вікно аналізу моделі — це окремі чинники.
Донавчання для запитань про інциденти
У робочому процесі адаптації AWS використовується TimeNet, що забезпечує спільний формат наборів даних і API для Python із конекторами та незмінними версіями. У документації TimeNet чітко зазначено, що його призначення обмежується даними: навчання, інференс, визначення моделей і метрики оцінювання до його функцій не належать. У прикладі попередньо навчена контрольна точка завантажується з Hugging Face, а дані ARFBench — через TimeNet; далі запускається навчальне завдання SageMaker, адаптована модель зберігається в Amazon S3 і розгортається в окремій кінцевій точці реального часу з тим самим форматом запитів.
Набір даних ARFBench від Datadog містить 750 запитань із варіантами відповідей, сформованих на основі 142 часових рядів із 63 реальних внутрішніх інцидентів, із використанням виробничої телеметрії та додаткового контексту. Під час навчання оновлюються кодувальник часових рядів, Perceiver Resampler, шари перехресної уваги та вбудовування токенів мовної моделі, тоді як решта Gemma 3 залишається незмінною.
Під час власного запуску AWS на одному екземплярі ml.g7e.2xlarge точність відповідей на 135 відкладених запитань ARFBench зросла з 5,0% до донавчання до 45,9% після нього. Попередньо навчена модель залишала більшість відповідей порожніми, тоді як адаптована модель відповіла на кожне запитання, вибравши запропонований варіант. Цей запуск демонструє адаптацію до нового завдання й формату відповідей; це не порівняння з іншими моделями й не офіційний результат у таблиці лідерів ARFBench.
Реліз у JumpStart спрощує розгортання й адаптацію нативної архітектури для часових рядів, водночас наявні свідчення стосуються лише конкретних часових інтервалів, завдань і форматів відповідей. Для операційних команд головне питання — чи підтверджують перевірені репрезентативні приклади, що пояснення моделі та рекомендовані нею дії достатньо надійні для робочих процесів, які вони мають підтримувати.












