IBM Research publicó el 22 de octubre de 2026 el Granite Timeseries Ensemble: una receta que combina cuatro modelos preentrenados de la familia Granite para la predicción de series temporales y devuelve, en una sola llamada, una predicción central y intervalos de cuantiles, sin reentrenamiento y sin pesos de ensemble ajustados a los datos.
El problema es práctico: los modelos preentrenados de series temporales ya predicen sin entrenar con los datos del usuario, pero todavía hay que elegir qué modelo usar. Un modelo bueno para señales industriales suaves puede fallar con demanda minorista ruidosa o con horizontes estacionales largos. El ensemble convierte esa elección en un valor por defecto sensato, con la misma lógica de los conjuntos de pronóstico meteorológico, en los que varios modelos ofrecen visiones distintas de lo que viene después.
Los cuatro modelos de la receta
La receta estándar combina cuatro arquitecturas complementarias, que capturan tendencias, estacionalidad y variación local de formas distintas, de modo que sus errores no tienen por qué coincidir: Granite PatchTST-FM-r1 (Transformer con parches), PatchTST-FM-r2 (Conformer con parches), FlowState-r1.1 (modelo de espacio de estados) y TTM-r3 (Tiny Time Mixers, un mezclador MLP). La receta guarda solo la configuración del ensemble, no pesos fusionados; en la primera ejecución se descargan los cuatro checkpoints. Requiere granite-tsfm en la versión 0.3.11 o superior y la receta ibm-granite/granite-timeseries-ensemble-r1 en Hugging Face.
Dos formas de combinar las predicciones
El valor por defecto recomendado es el Probabilistic Ensemble: cada miembro tiene la misma influencia, los cuantiles se agrupan en el espacio de probabilidad y no hay etapa de ajuste ni hiperparámetros de peso para una serie nueva. La alternativa es el IQR Ensemble, adaptativo: da más influencia a los miembros con intervalos más estrechos, con pesos que varían según la muestra, el objetivo y el paso del horizonte. La propia IBM advierte que un intervalo más estrecho no es necesariamente más preciso y que esa ponderación puede favorecer a un miembro demasiado confiado.
Qué dicen los números, y qué no dicen
En la evaluación en 97 configuraciones del benchmark GIFT-Eval, sin fine-tuning, el Probabilistic Ensemble registró un MASE agregado de 0,683, frente a 0,685 del mejor miembro aislado, el PatchTST-FM-r2: un margen pequeño. La lectura honesta de IBM es que la ganancia principal es la robustez: una precisión agregada igual o mejor sin saber de antemano qué arquitectura rendirá mejor en cada serie. En CRPS/MWQL agregado, el PatchTST-FM-r2 mantuvo el mejor valor (0,467), mientras que el IQR Ensemble obtuvo el mejor rango medio de CRPS (47,619) entre las seis predicciones comparadas. Según IBM, en la comparación del 20 de octubre de 2026 el ensemble quedó en 3.er lugar entre los sistemas elegibles en rango de MASE y de CRPS.
Hay límites explícitos: los canales multivariantes se predicen de forma independiente, sin usar información entre canales; cargar cuatro modelos cuesta más memoria y tiempo de inferencia que uno solo; y ningún método de agregación garantiza calibración ni robustez ante cambios de distribución. Las recetas ampliadas que añaden otros checkpoints de IBM Research pueden tener licencias distintas, incluidas restricciones no comerciales o de uso para investigación, por lo que debe revisarse cada model card antes de usarlas. IBM recomienda probar las recetas con los propios datos, con ventanas históricas representativas, y medir la cobertura empírica del intervalo de 0,1 a 0,9, cuya cobertura nominal es del 80%.
Para quien trabaja con demanda, telemetría, monitoreo de equipos o señales financieras, el valor no está en un nuevo modelo gigante, sino en un valor por defecto abierto y con licencia permisiva que evita la elección previa de arquitectura. La prueba real, como la propia IBM reconoce, es el backtest con los datos del usuario, no la media del benchmark.
Fuentes: publicación original de IBM Research en Hugging Face, “Ensemble forecasting with IBM Granite time-series models” (https://huggingface.co/blog/ibm-research/granite-timeseries-ensemble-r1).
Crédito de la imagen: gráfico de clasificación GIFT-Eval publicado por IBM Research en el blog de Hugging Face, que acompaña el anuncio del Granite Timeseries Ensemble.
Transparencia: este artículo se elaboró con ayuda de inteligencia artificial, a partir de fuentes públicas de internet, incluida la publicación original de IBM Research. Se recomienda consultar las fuentes originales para confirmar los detalles antes de cualquier decisión técnica.
Muse
