基于IBM时序模型与Confluent的实时智能

基础模型彻底改变了企业从无结构化数据中挖掘价值的方式。更大的机会在于流式数据——那些关键的实时决策都在这里：该订多少货、停哪笔付款、泵什么时候会坏、产线跑多快合适、上次出现类似情况时发生了什么。IBM和Confluent现在让这种价值释放真正流式原生，相关模型已在Confluent Cloud上Early Access开放使用，在数据流动的地方运行，Confluent Platform即将跟进。

在此之前，这些决策还依赖过时的工作方式：一次一个定制模型，每个模型耗时数月由专家手工打造。因此团队只为少数几百条核心时序建模，其余的用安全边际、额外库存、冗余空间和宽容阈值来兜底，结果往往是过了窗口才采取行动。这个冗余成本，就是为无法预测的决策在每个周期买单。

时序基础模型（TSFM）改变了这一切。它在海量多样信号上训练一次后，可以泛化到从未见过的时序：给它一段观测窗口，就能告诉你接下来会怎样、当前行为偏离正常多远、历史上哪段最相似、哪些参数最有助于达成目标。使用它也不需要一支数据科学家大军：需求计划员、欺诈分析师或工艺工程师都能直接在自己的数据流上上手。围绕这些模型，IBM正在构建一系列函数来前置工作，让预报、异常检测、优化和语义智能成为你直接调用的能力，而非需要从头搭建的项目。

想象一下巧克力工厂的一条调温生产线：温度和产量每几秒采样一次，并与固定阈值实时比对。将基础模型接入数据流，它能预测整条晚班的产量走势，让排产人员提前发现缺口并采取行动；它将今日运行与生产线正常处理黑巧克力的表现对比评分，在产品质量出现偏差前就捕捉到缓慢漂移；它在工厂历史中找到最相似的运行记录，让工程师了解类似工况的过往结果；它能基于操作员可控的参数进行条件预测，并在追求极致精度时进行微调。无需数据科学团队介入，同一个模型就能部署到每家工厂的每一条产线。

IBM在对外提供这些模型之前，先在自有产品和运营中进行了验证，随后与水泥、钢铁、造纸、食品和电信领域的设计伙伴合作落地。数据说明了一切：每提升一个精度点都价值数百万美元，生产力提升5至10倍，原本需要等待专家处理的工作，现在直接交到拥有决策权的一线业务人员手中。

如今这一验证成果与实时上下文结合：IBM带来前沿模型——深刻理解信号行为模式，背后有4400万+次下载量支撑；Confluent带来企业的实时状态，并连接到每一个执行系统中。两者结合实现流原生运行，托管在Confluent Cloud上，通过Flink调用。目前已在AWS上的Confluent Cloud开放访问，Confluent Platform也将跟进，将这些模型和能力扩展至本地和混合环境。

零配置、内置治理、高效运作——时间序列智能与实时上下文的融合

通常需要数月才能将模型接入生产环境的周期，现在可以省下来：Granite负责理解信号，Confluent提供上下文、治理能力和向下游的分发。

信号的价值随时间衰减：今天捕捉到的泵偏移只是一张工单，而下周再出现就是停机事故。

预测与检测都是有状态的：下一个数值只有对照近期历史才有意义，异常也只有相对于持续演进的「正常态」才能被识别。Flink 管理这些状态——以时间序列为键、具备容错能力——让每个模型都能获取所需的历史数据，无需单独的数据存储，也不必每调用一次就查一次数据库。

这就是价值的叠加所在。Confluent 的数据流式平台让业务数据流动起来并使其可用于机器学习。该平台持续对实时数据进行流式传输、连接、治理和处理，捕获 IBM Granite 时间序列模型用于预测、异常检测、相似度搜索、分类、插补和优化的业务信号。Confluent 提供了一切所需——让你能快速、可靠且安全地实现流式用例，从而专注于开发实时 ML 应用，而非管理数据基础设施。

Confluent Cloud 是 Confluent 数据流式平台的云部署版本，提供原生推理能力，支持你在 Confluent 上的 Apache Flink® 中直接运行 IBM Granite 时间序列模型，为实时数据处理带来更高的灵活性、安全性和成本效益，同时统一数据与 ML 工作流。主要优势包括：

• 让智能在数据所在之处产生：直接在流式数据上执行预测和异常检测，在业务条件变化的瞬间完成推理，无需将时序数据提取到独立的 ML 平台或数据仓库。
• 零配置：Confluent 负责模型服务、基础设施、扩缩容和运行时操作，你无需管理任何供应商凭证或在数据管道与模型之间配置胶水代码。直接从 Flink SQL 调用 IBM Granite 时间序列模型即可完成实时异常检测与预测。

新鲜且丰富的上下文：Confluent 持续捕获并处理数据，提供反映企业当前状态的最新视图——从传感器遥测、支付活动到应用指标——使模型能够基于当下实时事件而非陈旧的批处理数据进行预测，从而获得更可靠、更精准的结果。推理结果会写入 Kafka 主题，并通过扇出机制共享，可供告警系统、仪表盘、湖仓一体架构以及 AI 智能体消费。

内置治理与可追溯性：推理管道与平台上的其他组件遵循相同的 schema、血缘关系和访问控制。Kafka 主题具备持久化与可重放特性，支持审计、故障排查、模型评估以及针对历史数据重新执行推理。

成本效益：原生推理无需独立配置和管理专用的模型服务基础设施或 GPU，且无需支付任何云内/外网络传输费用。

增强安全性：推理过程中数据始终保留在 Confluent Cloud 内部，并在整个平台范围内遵守 RBAC 及隐私策略。

更快实现价值：团队只需使用熟悉的 SQL 语法，即可在几分钟内从流式数据构建出可用的预测与异常检测管道，而无需单独搭建机器学习栈或点对点数据管道。

通过打通运营环境与分析环境，Confluent 帮助团队将实时业务事件转化为可行动的洞察，并将 IBM Granite 时序模型引入数据流。此外，鉴于没有单一模型能同时服务于洗发生产线、信用卡网络和零售目录等不同场景，IBM 与 Confluent 提供的是整套模型组合，而非单一模型。

与决策类型相匹配的互补时序基础模型组合

每一项决策都在向未来提出不同的问题：规划周期需要一系列可能结果，交易台需要从各速率数据中获取最精确的数值，十万量级的序列集合需要成本保持在合理水平，安全团队则需要捕捉某个流突然偏离正常行为的那一刻，以及上一次出现类似情况时的处置方式。该组合包含四个互补的时序基础模型，目前均处于早期访问阶段，并通过 Confluent 现有的 AI_FORECAST 和 AI_DETECT_ANOMALIES Flink SQL 函数进行调用。仅需更改一个 SQL 参数即可切换模型，无需重新设计管道。

整个项目只需一次调用： ```sql SELECT AI_FORECAST( load_kw, event_time, JSON_OBJECT('model' VALUE 'ttm', 'horizon' VALUE 12) ) OVER ( ORDER BY event_time RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW ) AS forecast FROM meter_readings; ``` 只需更换 model 参数值，同一查询即可运行任意模型，无需额外构建或运维 ML 基础设施。 没有万能的模型，选择前需要厘清几个关键问题：要处理一条还是上千条序列？单变量还是多变量？需要训练时间还是开箱即用？预测范围是多久？目标是预测还是异常检测？PatchTST-FM 以语言模型处理文本的方式逐段读取序列，每个变量独立作为通道，避免单一噪声信号拖垮其余变量，同时返回完整概率分布，使规划人员可基于90分位数设定补货点。FlowState 维护持续更新的滚动摘要，因其动态特性在时间上是连续的，所以既能处理秒级 SCADA 数据，也能处理每小时的市场数据。TTM 摒弃注意力机制，改用沿时间和变量两个方向的轻量混合网络，使得百万参数的模型每晚在 CPU 上就能覆盖十万条序列。TSPulse 在一个轻量多任务模型中融合时域和频域视角，用于异常检测、分类、缺失值填补，以及回答每位操作员都会问的问题：这种情况我们以前见过吗。 小巧是刻意的选择而非妥协：推理可直接在 Confluent Cloud 内部运行，或借助 Hugging Face Hub 的开源权重在自有 CPU 上运行，无需云网络进出既简化了架构又控制了成本。IBM Granite 还引入了 IBM 的企业 AI 治理框架，提供模型溯源与许可透明化，并持续扩展模型功能集，让各用例开箱即用即具实用价值。这正是模型组合与平台能力的交汇点——模型不再只是归档历史的记录者，而成为优化进行中决策的智能引擎。

价值落地点：预测、异常检测、优化与语义智能

这四种方案都能压缩从事件发生到获知的时间差。在流式场景中，这一间隔从数天缩短至数秒，信号也成为其他 AI 系统、智能体和工作的流的触发器，由它们来调查、分流关键事项，并在决策需要人介入时，把已收集好的上下文一并带入，再引入人工参与。四种方案均被打包为函数形态，使得更多工作落在平台上，而非由使用方团队承担。

预测与规划

大多数预测仍只是披着决策外衣的统计模型与直觉判断。定制化的 ML 并未真正弥合差距——每个系列一个模型，靠手工重新拟合，且随预测窗口漂移，最终规划只能覆盖少数值得投入精力处理的系列，其余的只能依靠安全库存维持运转。

跟着一家杂货零售商的预测分析师走一遍：她的规划覆盖产品目录的头部的热门品类，而尾部（以占用流动资金的形式躺在货架上）从不纳入规划。她将同一个共享模型指向整个目录：能立即处理未见过的系列，接入天气、促销等驱动因素，输出的是一个分布而非单一线性值。无需为每个 SKU 单独建模，一个模型就是一个模型工厂：两年生命周期和三个月生命周期的 SKU 在同一任务里处理，无历史数据的新品基于相似 SKU 起步，CPU 每晚处理 10 万 SKU，跨品类跨区域复用同一套逻辑。

这个分布把服务水平转化为可直接口述的策略。而且因为每个预测结果都归属于某个主题，它成了触发器而非报告：补货由此触发，调拨和定价读取同一组数据，库存老化之前就有降价计划，货架清空之前就会触发补货。结果落到企业考核的口径里：缺货和降价更少，顾客能找到所需，货架上的收入得到保障，营运资金得到释放——后者往往是商业论证中最大的一笔。

异常检测

异常检测是最宽泛的应用场景，而漏掉一个异常的后果往往不容小觑：在欺诈场景中是客户的资金，在安全领域是系统入侵，在IT运维中是客户最先感知到的宕机——每项损失都会直接冲击品牌声誉和资产负债表。在金融服务行业，基于规则的检测方法很容易被对手摸清规律，收紧一条规则就会误伤更多诚信客户，收入随之流失，客户也半只脚踏出门外。定制化机器学习依赖稀缺且陈旧的标注数据，而误报的成本往往高于欺诈本身造成的损失。 想象一家零售银行的反欺诈负责人：模型为每张卡维护着正常行为画像，每笔支付在流转过程中都通过同一个 AI_DETECT_ANOMALIES 调用进行实时评分。由于模型同时具备预测能力，它能在异常发生前就标记出偏离趋势。比如一张卡两年来一直在三个固定邮编区域购买日用品，却在凌晨三点向海外钱包充值——警报会在资金转出前触发，而同一个客户若是正当度假，则能顺利通过。 保护从第一天就生效，因为模型在其他场景中学到的知识可以迁移到没有任何标注案例的新产品、新通道和新资产类型上。模型还必须持续演进，因为对手也在进化：欺诈模式和攻击特征每月都在变化，因此模型基于银行自身的数据流进行定制，随着案例确认不断重新拟合，持续改进而非每年重建。随着银行和电商向智能体转型，智能体以机器速度发起支付，正常节奏不断变化、交易量持续攀升，实时上下文和支付途中的评分变得愈发关键。每一次评分都为下一步决策提供依据：拦截支付、附上最相近的历史案例转交分析师、或直接交由智能体处理。 同样的方法适用于任何具有周期规律的实体：IT延迟、基站KPI、从升温到降温的整条工艺线。

生产优化

每个工厂都在运行自身的模型，但要保持模型准确绝非易事：统计模型会随时间漂移，基于规则的控制系统只能维持设定值却从不优化，定制化机器学习又缺乏可解释性，因此优化往往止步于试点阶段，工厂只能在边缘条件下运行。

Andrés 在一家洗发水工厂负责工艺运行，其混合产线将温度、搅拌速度、投料速率和粘度等数据实时流入 Confluent。他把基础模型直接应用到数据流上，开箱即用：原本需要数月开发的定制建模缩短到几天，生产力提升可达 10 倍，且他只在产线真正需要时才进行定制。基于他所能控制的变量，预测变成了模拟器：不同搅拌速度下的能耗、特定温度和投料速率下的产能、粘度是否达标。优化器则对照他设定的 KPI 在该空间中搜索最优解，遵循约束条件，并解释其推荐逻辑——因为他不会采取行动：无法质疑的建议，他不会采纳。Andrés 是工艺工程师，不是建模师，由懂产线的人来掌控全局。 优化并不会在上线后就固化，而是随输入变化持续重新优化：表面活性剂供应商切换、某批次香料表现不同、需求从 400ml 瓶装转向旅行装，本季度目标从产能转为能耗。只需重新定义目标和约束，产线就会运行在下一组最优参数上，而非沿用去年的设置，并从最接近的历史运行及其修正方案起步。收益落到 CFO 关注的财务维度上：对一个年营收数亿的业务，每提升一个百分点就是一笔七位数的收入，而一家食品制造商从一项工艺起步，背后支撑着 400 家工厂。 生产优化锚定的是更大的图景：质量预测和设备状态预测紧随其后，随着 AI 深入制造、机器人和物理系统领域，它只是众多颠覆性应用中的第一项。

语义智能

上方每一个场景最终都指向同一个问题：我们以前见过类似的情况吗？模型通过嵌入向量来回答，这是一种紧凑的向量表示，捕捉了时序和频域窗口的形态，使得无论规模或偏移如何，相似的工况会落在相近的位置。在数据流中，每个窗口到达即被嵌入，并与历史工况及其结果进行匹配，因此返回的是一个先例而非一个评分：曾出现这类漂移的工况及它们的修正方案、与某个新 SKU 最相似的需求曲线、与本次会话相似的已确认欺诈案例。相同的嵌入向量还驱动分类和缺失值填补，并为智能体行动前检索上下文建立索引。 这仅仅是时序智能的开端。和语言模型一样，发展势头正在加速：全新架构、新数据源、基于模型构建的智能体与用户体验，且这一切在上线首日即可投入使用。IBM和Confluent将继续沿袭最初的创新路径——与设计合作伙伴及客户并肩，聚焦真实的企业级应用场景，在各条业务线全面赋能生产力、精准度与响应速度。

成为创新合作伙伴，在Confluent上开启时序模型之旅

现已通过Confluent Cloud的早期体验计划开放：无需模型训练、特征工程或AI/ML专业背景，即可直接在数据流上实现预测和异常检测。Confluent Cloud是起点，Confluent Platform紧随其后，让相同的模型和能力覆盖本地和混合部署环境。这才是闭环的核心：你在自有数据流上的发现，将告诉模型下一步该如何进化。

• [加入早期体验计划](https://events.confluent.io/early-access-flink-features)，在自有环境中为数据流部署预测和异常检测功能，并直接与IBM和Confluent团队协作。你的反馈将决定后续开发方向，且早期体验期间完全免费。
• 文档。 AI_FORECAST 和 AI_DETECT_ANOMALIES 可用于Confluent Cloud for Apache Flink，另有 实时预测与异常检测模型指南，由模型的构建团队亲自撰写。