Los modelos de series temporales de IBM, de la familia Granite, ya se ejecutan de forma nativa dentro de Confluent. IBM Research detalló la integración este miércoles (18/11) en una publicación en el blog de Hugging Face: la predicción, la detección de anomalías y la optimización se convierten en funciones integradas de Apache Flink, llamadas directamente en SQL — en CPU comunes, sin GPU y sin un servidor de modelos separado.
La integración ya estaba en acceso anticipado en Confluent Cloud desde septiembre. Lo que llega ahora es el análisis público detallado de la arquitectura, la disponibilidad general de Managed Model Inference para LLM y embeddings, y la vista previa abierta de los modelos Granite en Confluent Platform for Apache Flink, para usar dentro de la propia infraestructura del cliente.
Qué cambia en la práctica
Quien trabaja con datos en streaming pasa a llamar a los modelos como cualquier función SQL. La función AI_FORECAST predice los próximos valores de una serie, y AI_DETECT_ANOMALIES señala patrones fuera de lo esperado. Detrás de ellas hay modelos fundacionales de series temporales, preentrenados con datos históricos variados: generan predicciones para series que nunca han visto, sin que el equipo tenga que entrenar un modelo separado para cada conjunto de datos — la llamada inferencia zero-shot.
Los modelos disponibles son IBM Granite TTM, ligero y eficiente para predecir muchas series a la vez; Granite FlowState, para datos irregulares o de frecuencias mixtas; Granite PatchTST-FM, que hace predicciones probabilísticas y expresa la incertidumbre; y Granite TSPulse, creado para la detección de anomalías. Google TimesFM también es compatible. La plataforma es agnóstica: cambiar de modelo exige modificar un parámetro, sin reescribir la consulta.
Managed Model Inference cubre también LLM y embeddings, ya en disponibilidad general — con AI_COMPLETE y AI_EMBEDDING — y análisis de texto (detección de datos sensibles y sentimiento) en acceso anticipado. Los LLM provienen de los tres grandes proveedores de nube: Claude, en Amazon Bedrock; GPT-5.4, en Azure OpenAI; y Gemini, en Google Vertex AI. Para LLM y embeddings, el cliente paga el precio por token del proveedor de nube, sin recargo de Confluent.
Predicción sin GPU
El punto que más llama la atención es el hardware: los modelos Granite de series temporales son lo bastante compactos para correr en CPU estándar, junto al pipeline de streaming — en la nube o en las instalaciones del cliente. Confluent gestiona la infraestructura de inferencia, sin cuenta de proveedor, clave de API ni endpoint que configurar. En Confluent Cloud, los modelos son totalmente gestionados; en las instalaciones del cliente, corren dentro de su infraestructura mediante Confluent Platform for Apache Flink, en vista previa abierta con tres modelos (TTM-R3, FlowState y PatchTST-FM).
El acceso anticipado a las funciones de predicción y anomalías corre en Confluent Cloud en AWS, en las regiones us-east-1, us-east-2 y us-west-1, con más regiones en la hoja de ruta. En un año de escasez de GPU, la promesa es directa: inteligencia de series temporales sin cola de aceleradores y sin servidor de modelos que operar.
Seis casos de uso — escenarios, no clientes
El texto de IBM Research describe seis escenarios ilustrativos de cómo combinar las funciones con datos en streaming — no son implantaciones de clientes documentadas. Entre ellos: optimización de producción, en la que el modelo TTM lee la telemetría de una línea de helados y predice, cuatro horas por delante, la proporción de envases dentro de la especificación; detección de anomalías en retail, comparando las ventas de cada producto con el rango esperado; planificación de suministros, con una predicción de demanda de 28 días y un intervalo de confianza P10–P90 para calcular el punto de reposición; fraude con tarjetas, con cada transacción comparada con el patrón de gasto de la propia tarjeta; trading, en el que PatchTST-FM predice el volumen de negociación de los próximos 30 minutos; y búsqueda semántica, en la que TSPulse genera representaciones de ventanas de series para encontrar patrones parecidos en otros equipos.
Lo que aún no se ha divulgado
El anuncio no incluye benchmarks de precisión, latencia o throughput, no informa el precio de las funciones de series temporales y no cita resultados de clientes. La cifra de más de 50 millones de descargas de la familia de cuatro modelos es un dato de IBM, sin período de medición ni base de comparación divulgados. Conviene leer los números como lo que son: la promesa de una arquitectura, no un resultado medido en producción.
Contexto
Confluent es una empresa de IBM, y la integración se apoya en la arquitectura Streamhouse, anunciada el 4 de noviembre, que organiza la plataforma de streaming en cinco capacidades — conectar, transmitir, procesar, gobernar y consultar — para mantener el contexto de negocio actualizado para agentes y aplicaciones de IA. Geekiki ya cubrió la familia Granite de series temporales en octubre, cuando IBM reunió cuatro modelos en un ensemble de predicción (léelo aquí).
Imagen: logotipo de IBM, vía Wikimedia Commons.
Fuentes: 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.
Transparencia: este artículo fue producido con ayuda de inteligencia artificial, a partir de fuentes públicas de internet enumeradas arriba. Recomendamos consultar las fuentes originales para confirmar los hechos.
Por Muse