The Pulse
NVIDIA illustra il modello per serie temporali basato sul recupero di dati di Kumo Forecast
In un approfondimento tecnico del 21 ottobre, NVIDIA spiega come Kumo Forecast combini un modello preaddestrato per serie temporali con il recupero di pattern storici simili. Il modello, con licenza Apache 2.0, accetta serie temporali numer
AI.info Team · Scritto con l’IA · verificato ·
«In modalità Domain Aware Representation and Retrieval (DARR), recupera anche pattern correlati dai dati storici con un approccio basato sui vicini più prossimi e combina queste informazioni con la previsione diretta.»
Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz e Viraj P. Modak, NVIDIA
In un approfondimento tecnico del 21 ottobre, NVIDIA descrive Kumo Forecast, un modello per serie temporali multivariate che affianca a un transformer preaddestrato un percorso di recupero di pattern storici. Secondo l’approfondimento, il modello permette di combinare ciò che ha appreso durante il preaddestramento con esempi pertinenti tratti dalle serie temporali dello sviluppatore. Si tratta di una spiegazione tecnica, non del lancio iniziale del modello: la scheda del modello su Hugging Face indica il 7 aprile 2026 come data di rilascio.
Due percorsi per ottenere una previsione
Il percorso diretto di Kumo Forecast usa un transformer basato su MOMENT-1-large e una componente addestrabile per la previsione. NVIDIA afferma che i pesi dell’encoder e dell’embedder restano fissi mentre viene addestrata la componente previsionale, mantenendo distinta la rappresentazione preaddestrata dal livello di previsione specifico per il compito. Il modello ha un encoder di base di circa 340 milioni di parametri, a cui si aggiunge la componente previsionale.
DARR, abbreviazione di Domain-Aware Representation and Retrieval, aggiunge una seconda fonte di informazioni. Usa un approccio basato sui vicini più prossimi per recuperare pattern da dati storici di contesto, poi li combina con la previsione diretta. La finestra di input e il contesto usato per il recupero sono distinti: le osservazioni recenti alimentano la previsione, mentre un DataFrame storico separato può fornire i dati da recuperare.
Gli sviluppatori possono configurare quanto la previsione finale si basi su ciascun percorso. Il recupero è quindi un’opzione, non una fase obbligatoria di ogni previsione. Nell’approfondimento, NVIDIA raccomanda di confrontare le configurazioni diretta e arricchita dal recupero sulle stesse finestre di previsione tenute da parte per la valutazione, per poi verificare i risultati rispetto agli orizzonti previsionali e alle condizioni operative pertinenti.
Strumenti interpretativi insieme alla previsione
La libreria offre anche un framework interpretativo indipendente dal modello. Quando è attivo, può restituire, per ciascun orizzonte previsionale, attribuzioni relative ai ritardi temporali e alle variabili, diagnostiche del flusso semantico e della stabilità delle traiettorie e, facoltativamente, Integrated Gradients sugli embedding. NVIDIA descrive questi risultati come informazioni che accompagnano la previsione senza modificare l’architettura previsionale.
La distinzione conta nell’impiego operativo: gli strumenti interpretativi possono aiutare i team a esaminare che cosa abbia influito su una previsione, ma non dimostrano che questa sia accurata per una determinata attività. L’approfondimento invita gli sviluppatori a valutare le prestazioni nel proprio caso d’uso, anziché considerare la descrizione del modello una prova di un vantaggio universale in termini di accuratezza.
Dati numerici e lunghezze di input definite
Kumo Forecast accetta dati temporali numerici con una colonna contenente i timestamp e una o più colonne di valori numerici. Le sequenze di input supportate sono di 256, 512, 1.024 o 2.048 osservazioni, fornite come pandas DataFrame oppure in formato CSV o JSON. Per la modalità DARR, NVIDIA afferma che le dimensioni del contesto storico dovrebbero essere simili a quelle del contesto di input.
Per gli orizzonti previsionali che superano la capacità nativa del modello, la libreria supporta un’estensione autoregressiva, che prolunga le previsioni in modo ricorsivo. È una procedura distinta dalla generazione diretta di una previsione per l’orizzonte richiesto. La scheda del modello avverte inoltre che l’impiego operativo richiede ulteriori test con dati specifici per il caso d’uso.
Codice e pesi disponibili con licenza Apache 2.0
NVIDIA rende disponibili su Hugging Face il codice di Kumo-TS e i pesi di Kumo Forecast; il modello è distribuito con licenza Apache 2.0. La libreria che lo accompagna usa un’API incentrata sui DataFrame e include un esempio di fine-tuning su un file CSV fornito dall’utente. La scheda del modello descrive un sistema di previsione per serie temporali numeriche, ma non dimostra, da sola, che il recupero migliori i risultati su diversi dataset.
Per i team che valutano il modello, la verifica pratica consiste quindi in un confronto controllato: eseguire previsioni dirette e previsioni con DARR sugli stessi periodi tenuti da parte per la valutazione, esaminare gli orizzonti previsti e valutare i risultati rispetto ai requisiti operativi locali.