Les modèles Granite d'IBM arrivent sur Confluent et la prévision devient du SQL

Les modèles de séries temporelles d'IBM, de la famille Granite, fonctionnent désormais nativement dans Confluent. IBM Research a détaillé l'intégration ce mercredi (18/11) dans un article du blog de Hugging Face : prévision, détection d'anomalies et optimisation deviennent des fonctions intégrées d'Apache Flink, appelées directement en SQL — sur des CPU ordinaires, sans GPU et sans serveur de modèles séparé.

L'intégration était déjà en accès anticipé sur Confluent Cloud depuis septembre. Ce qui arrive maintenant, c'est l'analyse publique détaillée de l'architecture, la disponibilité générale de Managed Model Inference pour les LLM et les embeddings, et l'aperçu ouvert des modèles Granite dans Confluent Platform for Apache Flink, à utiliser dans l'infrastructure du client.

Ce qui change en pratique

Ceux qui travaillent avec des données en streaming peuvent désormais appeler les modèles comme n'importe quelle fonction SQL. La fonction AI_FORECAST prédit les prochaines valeurs d'une série, et AI_DETECT_ANOMALIES signale les motifs hors de la plage attendue. Derrière elles, des modèles de fondation de séries temporelles, préentraînés sur des données historiques variées : ils génèrent des prévisions pour des séries qu'ils n'ont jamais vues, sans que l'équipe doive entraîner un modèle distinct pour chaque jeu de données — c'est l'inférence zero-shot.

Les modèles disponibles sont IBM Granite TTM, léger et efficace pour prévoir de nombreuses séries à la fois ; Granite FlowState, pour les données irrégulières ou à fréquences mixtes ; Granite PatchTST-FM, qui produit des prévisions probabilistes et exprime l'incertitude ; et Granite TSPulse, conçu pour la détection d'anomalies. Google TimesFM est également pris en charge. La plateforme est agnostique : changer de modèle revient à modifier un paramètre, sans réécrire la requête.

Managed Model Inference couvre aussi les LLM et les embeddings, désormais en disponibilité générale — avec AI_COMPLETE et AI_EMBEDDING — et l'analyse de texte (détection de données sensibles et analyse de sentiment) en accès anticipé. Les LLM proviennent des trois grands fournisseurs cloud : Claude sur Amazon Bedrock, GPT-5.4 sur Azure OpenAI et Gemini sur Google Vertex AI. Pour les LLM et les embeddings, le client paie le prix par token du fournisseur cloud, sans majoration de Confluent.

Prévoir sans GPU

Le point le plus marquant est le matériel : les modèles Granite de séries temporelles sont assez compacts pour tourner sur des CPU standard, aux côtés du pipeline de streaming — dans le cloud ou sur site. Confluent gère l'infrastructure d'inférence, sans compte fournisseur, clé API ou endpoint à configurer. Dans Confluent Cloud, les modèles sont entièrement gérés ; sur site, ils tournent dans l'infrastructure du client via Confluent Platform for Apache Flink, en aperçu ouvert avec trois modèles (TTM-R3, FlowState et PatchTST-FM).

L'accès anticipé aux fonctions de prévision et d'anomalies tourne sur Confluent Cloud sur AWS, dans les régions us-east-1, us-east-2 et us-west-1, avec d'autres régions sur la feuille de route. En une année de pénurie de GPU, la promesse est directe : une intelligence de séries temporelles sans file d'attente d'accélérateurs et sans serveur de modèles à exploiter.

Six cas d'usage — des scénarios, pas des clients

Le texte d'IBM Research décrit six scénarios illustratifs de la façon de combiner les fonctions avec des données en streaming — ce ne sont pas des déploiements clients documentés. Parmi eux : l'optimisation de production, où le modèle TTM lit la télémétrie d'une ligne de glaces et prévoit, quatre heures à l'avance, la part de pots conformes aux spécifications ; la détection d'anomalies dans le commerce de détail, en comparant les ventes de chaque produit à la plage attendue ; la planification des approvisionnements, avec une prévision de demande à 28 jours et un intervalle de confiance P10–P90 pour calculer le point de réapprovisionnement ; la fraude par carte, chaque transaction étant comparée au profil de dépenses de la carte elle-même ; le trading, où PatchTST-FM prévoit le volume de négociation des 30 prochaines minutes ; et la recherche sémantique, où TSPulse produit des représentations de fenêtres de séries pour retrouver des motifs similaires sur d'autres équipements.

Ce qui n'a pas encore été divulgué

L'annonce ne contient aucun benchmark de précision, de latence ou de débit, n'indique pas le prix des fonctions de séries temporelles et ne cite aucun résultat client. Le chiffre de plus de 50 millions de téléchargements pour la famille de quatre modèles provient d'IBM, sans période de mesure ni base de comparaison divulguées. Il faut lire ces chiffres pour ce qu'ils sont : la promesse d'une architecture, pas un résultat mesuré en production.

Contexte

Confluent est une société IBM, et l'intégration s'appuie sur l'architecture Streamhouse, annoncée le 4 novembre, qui organise la plateforme de streaming en cinq capacités — connecter, diffuser, traiter, gouverner et interroger — pour tenir le contexte métier à jour pour les agents et les applications d'IA. Geekiki avait déjà couvert la famille Granite de séries temporelles en octobre, quand IBM avait réuni quatre modèles dans un ensemble de prévision (lire ici).

Image : logo d'IBM, via Wikimedia Commons.

Sources : 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.

Transparence : cet article a été produit avec l'aide de l'intelligence artificielle, à partir de sources publiques sur internet listées ci-dessus. Nous recommandons de consulter les sources originales pour confirmer les faits.

Par Muse