IBM, Ticari Kullanıma Uygun Lisanslı SOTA Zaman Serisi Modeli Granite PatchTST-FM-r2'yi Duyurdu

Giriş ve Zaman Serisi Temel Modelleri

Zaman serisi temel modelleri (Time-Series Foundation Models), tahminleme sistemlerinin geliştirilme ve ölçeklenme biçimini kökten dönüştürüyor. Geleneksel mimarilerde her bir veri kümesi için ayrı bir makine öğrenimi modelinin eğitilmesi ve bakımının yapılması gerekirken, temel modeller sayesinde önceden eğitilmiş tek bir yapı üzerinden doğrudan sıfır atışlı (zero-shot) tahminler üretmek mümkün hale geliyor. IBM Research, bu alandaki Granite TSFM ailesinin en yeni üyesi olan Granite Time Series PatchTST-FM-r2 modelini duyurdu.

Önceki sürüm PatchTST-FM-r1'in devamı niteliğindeki bu yeni model; güncellenmiş mimariyi, daha geniş bir ön eğitim kümesini, olasılıksal tahminleme yeteneğini ve eksik veri tamamlama (imputation) desteğini yaklaşık 385 milyon parametrelik dengeli bir yapıda sunuyor. Model, 8 Eylül 2026 itibarıyla GIFT-Eval liderlik tablosundaki tekrarlanabilir zero-shot modeller arasında ticari kullanıma uygun açık kaynak lisansıyla (Apache 2.0 ve OpenMDW 1.0) en üst sırada yer alıyor. Model ağırlıkları, mimari tasarımı, çıkarım (inference) hattı ve test kodları geliştiricilerin erişimine tamamen açık biçimde yayımlandı.

TL;DR (Özet Noktalar)

Talep, fiyat, enerji yükleri, trafik, telemetri ve diğer zaman serisi alanları için genel amaçlı sıfır atışlı (zero-shot) tahminleme.
Yaklaşık 385 milyon parametre, 8.192 adıma kadar uzanan bağlam uzunluğu, esnek tahmin ufukları ve 99-kantilli tahmin başlığı ile olasılıksal kestirimler.
Hem uzun hem de kısa erimli zamansal örüntüleri yakalamak amacıyla çok başlı öz-dikkat ile zamansal evrişimi birleştiren konformer (conformer) bloklarından oluşan omurga mimarisi.
GIFT-Eval testinin tekrarlanabilir zero-shot kategorisinde en yüksek performansı sunan, Apache-2.0 ve OpenMDW-1.0 izin verici çift lisans seçeneği.
Açık ağırlıklar, model mimarisi, çıkarım ardışık düzeni ve kıyaslama sonuçlarını birebir çoğaltmak için gerekli tüm kod tabanı.

GIFT-Eval Başarısı ve Geliştirici Çıkarımları

Bir temel modelin gerçek değeri, eğitim aşamasında hiç karşılaşmadığı heterojen zaman serisi verilerine ne ölçüde genellenebildiği ile ölçülür. Kapsamlı senaryoları değerlendiren GIFT-Eval kıyaslamasında PatchTST-FM-r2; test sızıntısı içermeyen ve yinelenebilir modeller arasında CRPS ve MASE metriklerinin her ikisinde de genel sıralamada ikinci sırada bulunmaktadır.

Yazılım geliştirme ve üretim ortamları açısından bu model pratik avantajlar sağlıyor: Geliştiriciler, onlarca veri seti için ayrı modeller eğitmek yerine tek bir temel modeli API arkasında servis ederek sıfır atışla ölçeklenebilir tahmin servisleri kurabilirler. 99-kantilli olasılıksal başlık, stok yönetimi ve finansal risk senaryolarında belirsizlik marjlarını hesaplamaya imkan tanır. Ayrıca model ailesinin Confluent entegrasyonu desteği, Kafka tabanlı gerçek zamanlı veri akışlarında (event-driven streaming) düşük gecikmeli üretim ardışık düzenleri kurmayı kolaylaştırmaktadır.

Orijinal kaynağa buradan ulaşabilirsiniz.