Os modelos de séries temporais da IBM, da família Granite, passaram a rodar nativamente dentro do Confluent. A IBM Research detalhou a integração nesta quarta-feira (18/11), em uma publicação no blog do Hugging Face: previsão, detecção de anomalias e otimização viram funções embutidas do Apache Flink, chamadas direto em SQL — em CPUs comuns, sem GPU e sem um servidor de modelo separado.
A integração já estava em acesso antecipado no Confluent Cloud desde setembro. O que chega agora é o detalhamento público da arquitetura, a disponibilidade geral do Managed Model Inference para LLMs e embeddings e a prévia aberta dos modelos Granite no Confluent Platform for Apache Flink, para uso dentro da própria infraestrutura do cliente.
O que muda na prática
Quem trabalha com dados em streaming passa a chamar os modelos como qualquer função SQL. A função AI_FORECAST prevê os próximos valores de uma série, e a AI_DETECT_ANOMALIES sinaliza padrões fora do esperado. Por trás delas estão modelos fundacionais de séries temporais, pré-treinados com dados históricos variados: eles geram previsões para séries que nunca viram, sem que a equipe precise treinar um modelo separado para cada conjunto de dados — a chamada inferência zero-shot.
Os modelos disponíveis são o IBM Granite TTM, leve e eficiente para prever muitas séries ao mesmo tempo; o Granite FlowState, para dados irregulares ou de frequências mistas; o Granite PatchTST-FM, que faz previsões probabilísticas e expressa incerteza; e o Granite TSPulse, feito para detecção de anomalias. O Google TimesFM também é suportado. A plataforma é agnóstica: trocar de modelo exige mudar um parâmetro, sem reescrever a consulta.
O Managed Model Inference cobre ainda LLMs e embeddings, já em disponibilidade geral — com AI_COMPLETE e AI_EMBEDDING — e análise de texto (detecção de dados sensíveis e sentimento) em acesso antecipado. Os LLMs vêm dos três grandes provedores de nuvem: Claude, na Amazon Bedrock; GPT-5.4, no Azure OpenAI; e Gemini, no Google Vertex AI. Para LLMs e embeddings, o cliente paga o preço de token do provedor de nuvem, sem acréscimo da Confluent.
Previsão sem GPU
O ponto que mais chama atenção é o hardware: os modelos Granite de séries temporais são compactos o bastante para rodar em CPUs padrão, ao lado do pipeline de streaming — na nuvem ou on-premises. A Confluent gerencia a infraestrutura de inferência, sem conta de provedor, chave de API ou endpoint para configurar. No Confluent Cloud, os modelos são totalmente gerenciados; on-premises, rodam dentro da infraestrutura do cliente via Confluent Platform for Apache Flink, em prévia aberta com três modelos (TTM-R3, FlowState e PatchTST-FM).
O acesso antecipado às funções de previsão e anomalias roda no Confluent Cloud na AWS, nas regiões us-east-1, us-east-2 e us-west-1, com mais regiões no roteiro. Em um ano de escassez de GPUs, a promessa é direta: inteligência de séries temporais sem fila de aceleradores e sem servidor de modelo para operar.
Seis casos de uso — cenários, não clientes
O texto da IBM Research descreve seis cenários ilustrativos de como as funções podem ser combinadas com dados de streaming — não são implantações de clientes documentadas. Entre eles: otimização de produção, em que o modelo TTM lê a telemetria de uma linha de sorvete e prevê, quatro horas à frente, a fatia de potes dentro da especificação; detecção de anomalias no varejo, comparando as vendas de cada produto com a faixa esperada; planejamento de suprimentos, com previsão de demanda de 28 dias e intervalo de confiança P10–P90 para calcular o ponto de reposição; fraude em cartões, com cada transação comparada ao padrão de gasto do próprio cartão; trading, em que o PatchTST-FM prevê o volume de negociação dos próximos 30 minutos; e busca semântica, em que o TSPulse gera representações de janelas de séries para encontrar padrões parecidos em outros equipamentos.
O que ainda não foi divulgado
O anúncio não traz benchmarks de precisão, latência ou throughput, não informa o preço das funções de séries temporais e não cita resultados de clientes. A marca de mais de 50 milhões de downloads da família de quatro modelos é um dado da IBM, sem período de medição ou base de comparação divulgado. Vale ler os números como o que são: a promessa de uma arquitetura, não um resultado medido em produção.
Contexto
A Confluent é uma empresa IBM, e a integração se apoia na arquitetura Streamhouse, anunciada em 4 de novembro, que organiza a plataforma de streaming em cinco capacidades — conectar, transmitir, processar, governar e consultar — para manter o contexto de negócio atualizado para agentes e aplicações de IA. O Geekiki já cobriu a família Granite de séries temporais em outubro, quando a IBM reuniu quatro modelos em um ensemble de previsão (leia aqui).
Imagem: logotipo da IBM, via Wikimedia Commons.
Fontes: IBM Research no blog do Hugging Face; Confluent — Managed Model Inference; IBM Newsroom — arquitetura Streamhouse; Confluent — novidades do 4º trimestre de 2026; IBM Community — acesso antecipado de setembro; GitHub — IBM Granite TSFM.
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, a partir de fontes públicas da internet listadas acima. Recomendamos consultar as fontes originais para confirmar os fatos.
Por Muse