Die Zeitreihenmodelle von IBM aus der Granite-Familie laufen jetzt nativ in Confluent. IBM Research hat die Integration am Mittwoch (18.11.) in einem Beitrag im Blog von Hugging Face im Detail beschrieben: Prognose, Anomalieerkennung und Optimierung werden zu eingebauten Funktionen von Apache Flink, die direkt in SQL aufgerufen werden — auf gewöhnlichen CPUs, ohne GPU und ohne separaten Modellserver.
Die Integration war seit September im Early Access in der Confluent Cloud. Was jetzt hinzukommt, ist die ausführliche öffentliche Beschreibung der Architektur, die allgemeine Verfügbarkeit von Managed Model Inference für LLMs und Embeddings sowie die offene Vorschau der Granite-Modelle in der Confluent Platform for Apache Flink, zur Nutzung in der eigenen Infrastruktur des Kunden.
Was sich in der Praxis ändert
Wer mit Streaming-Daten arbeitet, kann die Modelle jetzt wie jede andere SQL-Funktion aufrufen. Die Funktion AI_FORECAST sagt die nächsten Werte einer Reihe voraus, und AI_DETECT_ANOMALIES meldet Muster außerhalb des erwarteten Bereichs. Dahinter stehen Zeitreihen-Foundation-Modelle, die mit vielfältigen historischen Daten vortrainiert wurden: Sie erstellen Prognosen für Reihen, die sie noch nie gesehen haben, ohne dass das Team für jeden Datensatz ein eigenes Modell trainieren muss — die sogenannte Zero-Shot-Inferenz.
Verfügbar sind IBM Granite TTM, leichtgewichtig und effizient für die Prognose vieler Reihen zugleich; Granite FlowState für unregelmäßige Daten oder Daten mit gemischten Frequenzen; Granite PatchTST-FM, das probabilistische Prognosen erstellt und Unsicherheit ausdrückt; und Granite TSPulse, das für die Anomalieerkennung gebaut wurde. Auch Google TimesFM wird unterstützt. Die Plattform ist modellagnostisch: Ein Modellwechsel erfordert nur die Änderung eines Parameters, ohne die Abfrage neu zu schreiben.
Managed Model Inference deckt außerdem LLMs und Embeddings ab, jetzt allgemein verfügbar — über AI_COMPLETE und AI_EMBEDDING — sowie Textanalyse (Erkennung sensibler Daten und Stimmungsanalyse) im Early Access. Die LLMs stammen von den drei großen Cloud-Anbietern: Claude auf Amazon Bedrock, GPT-5.4 auf Azure OpenAI und Gemini auf Google Vertex AI. Für LLMs und Embeddings zahlt der Kunde den Tokenpreis des Cloud-Anbieters, ohne Aufschlag von Confluent.
Prognosen ohne GPU
Der auffälligste Punkt ist die Hardware: Die Granite-Zeitreihenmodelle sind kompakt genug, um auf Standard-CPUs zu laufen, direkt neben der Streaming-Pipeline — in der Cloud oder vor Ort. Confluent verwaltet die Inferenzinfrastruktur, ohne Provider-Konto, API-Schlüssel oder Endpunkt, die konfiguriert werden müssten. In der Confluent Cloud sind die Modelle vollständig verwaltet; vor Ort laufen sie in der Infrastruktur des Kunden über die Confluent Platform for Apache Flink, in offener Vorschau mit drei Modellen (TTM-R3, FlowState und PatchTST-FM).
Der Early Access für die Prognose- und Anomaliefunktionen läuft in der Confluent Cloud auf AWS in den Regionen us-east-1, us-east-2 und us-west-1, weitere Regionen sind auf der Roadmap. In einem Jahr der GPU-Knappheit ist das Versprechen eindeutig: Zeitreihenintelligenz ohne Warteschlange für Beschleuniger und ohne zu betreibenden Modellserver.
Sechs Anwendungsfälle — Szenarien, keine Kunden
Der Text von IBM Research beschreibt sechs anschauliche Szenarien, wie sich die Funktionen mit Streaming-Daten kombinieren lassen — keine dokumentierten Kundenprojekte. Darunter: Produktionsoptimierung, bei der das TTM-Modell die Telemetrie einer Eiscreme-Linie liest und vier Stunden im Voraus den Anteil der Becher innerhalb der Spezifikation prognostiziert; Anomalieerkennung im Einzelhandel, die die Verkäufe jedes Produkts mit dem erwarteten Bereich vergleicht; Lieferkettenplanung mit einer 28-Tage-Bedarfsprognose und einem P10–P90-Konfidenzintervall zur Berechnung des Nachbestellpunkts; Kartenbetrug, bei dem jede Transaktion mit dem Ausgabenmuster der Karte selbst verglichen wird; Trading, bei dem PatchTST-FM das Handelsvolumen der nächsten 30 Minuten prognostiziert; und semantische Suche, bei der TSPulse Repräsentationen von Zeitreihenfenstern erzeugt, um ähnliche Muster an anderen Anlagen zu finden.
Was noch nicht offengelegt wurde
Die Ankündigung enthält keine Benchmarks zu Genauigkeit, Latenz oder Durchsatz, nennt keinen Preis für die Zeitreihenfunktionen und keine Kundenergebnisse. Die Zahl von über 50 Millionen Downloads für die Vier-Modell-Familie stammt von IBM, ohne offengelegten Messzeitraum oder Vergleichsbasis. Die Zahlen sollte man als das lesen, was sie sind: das Versprechen einer Architektur, kein in der Produktion gemessenes Ergebnis.
Kontext
Confluent ist ein IBM-Unternehmen, und die Integration baut auf der Streamhouse-Architektur auf, die am 4. November angekündigt wurde und die Streaming-Plattform in fünf Fähigkeiten organisiert — verbinden, streamen, verarbeiten, verwalten und abfragen —, um den Geschäftskontext für KI-Agenten und Anwendungen aktuell zu halten. Geekiki hatte die Granite-Zeitreihenfamilie bereits im Oktober behandelt, als IBM vier Modelle in einem Prognose-Ensemble zusammenführte (hier lesen).
Bild: IBM-Logo, via Wikimedia Commons.
Quellen: 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.
Transparenz: Dieser Artikel wurde mit Unterstützung künstlicher Intelligenz auf Grundlage der oben aufgeführten öffentlichen Internetquellen erstellt. Wir empfehlen, die Originalquellen zur Bestätigung der Fakten zu konsultieren.
Von Muse