Lançamentos

Nvidia abre código do Kumo Forecast para séries temporais sob licença Apache 2.0

Modelo multivariado de 340 milhões de parâmetros combina codificador pré-treinado com busca em dados históricos e diagnósticos de previsão.

Capa ilustrativa da editoria Lançamentos

Por que importa. Equipes de engenharia de dados recebem um modelo aberto com API nativa em pandas e pesos no Hugging Face, viabilizando projeções e manutenção preditiva sem depender de serviços fechados.

A Nvidia liberou nesta quarta-feira os pesos e o código do Kumo Forecast, modelo multivariado para previsão de séries temporais com cerca de 340 milhões de parâmetros, disponibilizado sob a licença de código aberto Apache 2.0. Conhecido anteriormente durante as etapas de desenvolvimento como NV-Tesseract Forecasting, o sistema foi apresentado em publicação técnica no blog do Hugging Face. A ferramenta combina um codificador pré-treinado com um método de recuperação de padrões em bases históricas, permitindo estimar trajetórias futuras em dados tabulares contínuos. O repositório de código Kumo-TS e os pesos do modelo foram disponibilizados nos perfis oficiais da Nvidia no GitHub e no Hugging Face.

A arquitetura do modelo utiliza a base do Transformer MOMENT-1-large como codificador principal. O desenho técnico mantém os pesos do codificador e as camadas de incorporação congelados durante o ajuste, concentrando o treinamento exclusivamente no cabeçote de projeção temporal. Esse cabeçote mapeia as representações aprendidas para os horizontes de previsão solicitados pela aplicação. O sistema aceita sequências de entrada estruturadas em comprimentos fixos de 256, 512, 1024 e 2048 observações temporais, exigindo estritamente dados numéricos.

Previsão direta e busca por similaridade

A principal mecânica operacional está no modo DARR, sigla em inglês para Representação e Recuperação Consciente de Domínio. Em vez de depender unicamente da previsão direta calculada pelos pesos neurais, o Kumo Forecast permite consultar uma base histórica paralela para resgatar comportamentos análogos por meio do algoritmo de k-vizinhos mais próximos. A biblioteca separa a janela de entrada recente do contexto histórico de recuperação, permitindo que engenheiros regulem nas configurações o peso relativo concedido a cada um dos dois caminhos na previsão final.

Para projeções que precisam ir além do horizonte nativo suportado pela rede, o modelo oferece suporte à extensão autorregressiva, que prolonga os valores futuros de maneira recursiva. A biblioteca também traz uma estrutura de interpretabilidade agnóstica de modelo, fundamentada no artigo de pesquisa NVExplain. Quando acionado, esse módulo produz diagnósticos de fluxo semântico, testes de estabilidade de trajetória e mapas de atribuição por variáveis e defasagens temporais em cada horizonte, sem demandar alterações na rede neural principal.

Integração e limites para produção

A interface de programação adota uma abordagem voltada para DataFrames da biblioteca pandas no ambiente Python. Os dados precisam ser estruturados com uma coluna de marcação temporal e uma ou mais colunas de valores numéricos, podendo ser alimentados diretamente na memória ou importados via arquivos nos formatos CSV e JSON. Nos casos em que o desenvolvedor ativa o mecanismo de busca DARR, a Nvidia aponta a restrição de que as dimensões do contexto histórico precisam ser compatíveis com a dimensionalidade da janela de entrada.

Em aplicações industriais, o modelo foi integrado como componente de acesso antecipado no blueprint Factory Operations, chamado de FOX, focado na manutenção preditiva em fábricas com a análise conjunta de detecção de anomalias. Para além do uso de pesos prontos para inferência, a Nvidia incluiu no repositório Kumo-TS exemplos de rotinas para ajuste fino a partir de arquivos CSV fornecidos pelo próprio desenvolvedor, servindo de ponto de partida documentado para customizações em dados operacionais próprios.

O material divulgado pela Nvidia, contudo, não detalhou as métricas comparativas padronizadas contra outros modelos abertos de séries temporais nem os requisitos mínimos de memória de GPU para executar o pipeline com grandes volumes de busca. A documentação recomenda apenas que desenvolvedores realizem validações internas em janelas de teste não observadas antes da implementação em ambientes críticos, deixando em aberto métricas agregadas de desempenho computacional.

Fontes

  • Hugging Face: NVIDIA Kumo Forecast Combines Pretrained Time-Series Representations with Historical Pattern Retrieval and Interpretability

Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.

WhatsAppLinkedInX
Voltar para a edição

Mais em Lançamentos

Ver todas

Quem constrói lê

Receba o Flipters no seu e-mail. A newsletter de IA para quem está tirando produto do papel.