본문으로 건너뛰기
Hugging Face Blog

IBM 시계열 모델, Confluent에서 실시간 추론

IBM Granite Time Series 모델을 Confluent Cloud의 Flink에서 직접 호출해 실시간 예측과 이상 탐지를 수행합니다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

IBM과 Confluent는 IBM Granite Time Series 모델을 Confluent Cloud의 Apache Flink 안에서 직접 실행하는 Early Access 기능을 공개했습니다. 스트리밍 데이터의 최근 상태를 Flink가 계열별로 유지하고, 모델은 별도 ML 플랫폼으로 데이터를 옮기지 않은 채 예측·이상 탐지·유사 사례 검색·최적화에 활용됩니다. PatchTST-FM, FlowState, TTM, TSPulse로 구성된 네 가지 모델은 예측 분포, 다양한 샘플링 주기, 대규모 CPU 처리, 이상 탐지와 결측 보완처럼 서로 다른 목적에 맞춰 선택할 수 있습니다. AI_FORECAST와 AI_DETECT_ANOMALIES Flink SQL 함수에서 모델 이름만 바꾸면 되며, 결과는 Kafka topic으로 전달되어 알림·대시보드·lakehouse·AI agent가 이어서 사용할 수 있습니다. 현재 Confluent Cloud에서 AWS 대상으로 Early Access가 진행되고 Confluent Platform의 온프레미스·하이브리드 지원이 뒤따를 예정입니다.

섹션별 상세

01
기업의 시계열 의사결정은 지금까지 계열마다 별도 모델을 만들고 전문가 작업을 수개월씩 투입하는 방식에 묶여 있었습니다. 그 결과 가치가 큰 수백 개 계열만 모델링하고 나머지는 추가 재고·설비 여유·안전 마진으로 대응했으며, 결정 시점이 지난 뒤 문제를 발견하는 비용이 누적됐습니다. Time Series Foundation Model은 다양한 신호를 한 번 학습한 뒤 관측값의 최근 구간을 입력받아 처음 보는 계열의 다음 값, 정상 상태와의 거리, 유사한 과거 이력, 목표에 맞는 설정을 함께 산출해 계열별 구축 부담을 낮춥니다.
기존 방식의 생산성·정확도·응답성 문제와 Granite 모델을 스트림에 배치했을 때의 변화를 세 축으로 비교한 도식입니다.
Infographic왼쪽은 계열별 bespoke model과 수개월의 전문가 작업, 규칙·고전 ML의 정확도 정체, 안전 마진에 의존하는 미션 크리티컬 운영을 나타냅니다. 오른쪽은 제로샷 모델 재사용, 벤치마크와 비용 절감 검증, 스트림 안에서의 실시간 점수 산출과 적응형 의사결정으로 대응 관계를 나타내며 글의 핵심 가치 제안을 요약합니다.
IBM과 Confluent의 Universal Time Series Foundation Layer가 여러 산업의 스트리밍 데이터를 받아 예측·이상 탐지·최적화 기능으로 연결되는 구조도입니다.
DiagramBanking, Retail, Manufacturing, Telecom, Healthcare, Energy의 데이터가 IBM과 Confluent의 stream-native 계층으로 유입되고, 다양한 분포와 복잡한 상호 의존성, 시간에 따른 가치 감소를 공통으로 처리합니다. 하단에는 Forecasting, Anomaly Detection, Optimization이 출력 기능으로 배치되어 특정 데이터 유형이나 SKU마다 처음부터 모델을 만들지 않는다는 설계를 나타냅니다.
02
IBM과 Confluent의 결합은 모델 추론을 별도 ML 플랫폼이 아니라 Confluent Cloud의 Apache Flink 실행 환경 안에 배치합니다. Flink는 각 시계열을 키로 최근 이력과 정상 상태를 유지하고 장애 발생 뒤에도 복구하므로, 다음 예측값과 이상 여부를 계산할 때 별도 저장소나 호출마다 발생하는 데이터베이스 조회가 필요하지 않습니다. 추론 결과는 Kafka topic에 기록되어 알림 시스템, 대시보드, lakehouse, AI agent로 fanout되며, schema·lineage·접근 제어·재생 가능한 로그를 기존 스트리밍 거버넌스와 공유합니다.
사건 발생 후 시간이 지날수록 해당 신호의 조치 가치가 감소하는 곡선을 나타낸 그림입니다.
Chart세로축은 조치 가치, 가로축은 사건 이후 경과 시간을 나타내며 빨간 곡선이 시간이 지날수록 급격히 낮아집니다. 2초 안에 잡은 결제 이상은 차단할 수 있지만 다음 날 발견하면 chargeback·지원 요청·고객 신뢰 하락으로 이어진다는 대비가 스트리밍 추론의 필요성을 뒷받침합니다.
운영 데이터가 IBM Granite Time Series 모델과 Flink 함수, Confluent Cloud를 거쳐 실시간 의사결정과 downstream 시스템으로 전달되는 흐름도입니다.
Diagram센서·설비 telemetry, 결제·거래, 애플리케이션·인프라 지표가 입력되고 IBM Granite Time Series 모델과 Flink 함수가 Confluent Cloud 안에서 처리합니다. 결과는 생산 최적화, 이상 탐지·시맨틱 인텔리전스, 계획·예측으로 이어지며 하단에는 zero configuration, 최적화 함수, AI-ready context, built-in governance, 보안·효율성이 배치되어 플랫폼 통합의 이점을 나타냅니다.
03
네 가지 모델은 서로 다른 입력 규모와 의사결정 요구를 겨냥합니다. PatchTST-FM은 변수를 채널별로 나눠 patch 단위로 처리하고 전체 예측 분포를 반환해 90번째 백분위수 기준 재주문점 설정에 쓰이며, FlowState는 연속 시간 dynamics로 초 단위 SCADA부터 시간 단위 시장 데이터까지 처리합니다. TTM은 시간축과 변수축의 작은 mixing network를 사용해 CPU에서 100,000개 SKU를 야간 처리하는 고처리량 예측에 맞고, TSPulse는 시간·주파수 관점을 결합해 이상 탐지·분류·결측 보완·유사 사례 검색을 하나의 소형 모델로 수행합니다.
sql
SELECT AI_FORECAST( load_kw, event_time, JSON_OBJECT('model' VALUE 'ttm', 'horizon' VALUE 12) ) OVER ( ORDER BY event_time RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW ) AS forecast FROM meter_readings;

Confluent의 Flink SQL에서 전력 부하 시계열의 12개 구간 예측을 요청하며, JSON 파라미터의 model 값을 바꿔 네 가지 모델을 같은 호출 구조로 선택합니다.

서로 다른 시계열 작업에 맞춰 네 가지 Foundation Model을 선택하는 포트폴리오 비교표입니다.
InfographicPatchTST-FM-r1은 260M Transformer로 확률적 예측과 긴 horizon을, FlowState-r1.1은 18.5M SSM과 basis 구조로 다양한 sampling rate를, TTM-r3는 1M~35M mixer로 CPU 기반 고처리량 예측을 겨냥합니다. TSPulse는 1M mixer 모델로 탐지·분류·검색·결측 보완을 묶으며, 표에는 100,000개 SKU 야간 CPU 처리와 실시간 anomaly detection 같은 실제 적용 예가 함께 제시됩니다.
04
모델 선택은 AI_FORECAST와 AI_DETECT_ANOMALIES Flink SQL 함수의 model 파라미터만 바꾸는 방식으로 이뤄집니다. 예시 쿼리는 load_kw와 event_time을 받아 최근까지의 데이터를 순서대로 누적하고 horizon 12의 예측을 계산하며, 모델을 교체해도 파이프라인을 다시 설계할 필요가 없습니다. 네 모델 모두 Early Access 상태이고 Confluent Cloud에서 네이티브 추론을 수행하거나 Hugging Face Hub의 open weights를 자체 CPU에서 실행할 수 있어 별도 GPU 서빙 계층과 cloud ingress·egress 비용을 피하는 구성이 가능합니다.
05
활용 영역은 수요 계획, 이상 탐지, 생산 최적화, 시맨틱 인텔리전스로 확장됩니다. 유통에서는 하나의 공유 모델이 전체 SKU의 예측 분포를 산출해 보충·배분·가격 결정이 같은 Kafka topic을 읽도록 하고, 금융에서는 카드별 정상 패턴과 현재 결제를 비교해 자금 이동 중 이상을 차단하거나 과거 유사 사기 사례를 분석가와 agent에게 전달합니다. 제조에서는 제어 가능한 온도·교반 속도·투입량을 조건으로 예측을 시뮬레이터처럼 사용하고, 지정한 KPI와 제약조건을 만족하는 다음 설정값을 탐색해 운영 목표가 에너지에서 처리량으로 바뀌어도 재최적화할 수 있습니다.
예측, 이상 탐지, 생산 최적화, 시맨틱 인텔리전스가 각각 기존 운영 방식에서 스트림 내 Foundation Model 방식으로 바뀌는 모습을 비교한 도식입니다.
Infographic유통에서는 SKU 전체를 한 작업으로 예측하고, 금융에서는 카드별 정상 상태와 현재 결제를 실시간 비교하며, 제조에서는 예측을 optimizer가 탐색할 수 있는 simulator로 사용합니다. 시맨틱 인텔리전스는 도착하는 각 window를 embedding해 과거 사건과 대응책에 매칭하며, 하단의 수치와 문구는 재고 부족·markdown·오탐 결제·다음 setpoint·agent context 같은 결과를 연결합니다.
06
IBM은 자체 제품과 운영, 시멘트·철강·펄프·제지·식품·통신 분야의 design partner를 통해 모델을 사전 검증했다고 밝힙니다. 글은 정확도 1포인트의 가치가 수백만 달러에 이르고 생산성 향상이 5~10배에 달한다고 전하며, 특정 식품 제조업체가 한 공정에서 시작해 400개 공장으로 확장할 수 있는 사례를 제시합니다. Confluent Cloud에서 AWS 대상으로 Early Access가 진행 중이며, 동일 모델과 기능을 온프레미스 및 하이브리드 환경으로 가져오는 Confluent Platform 지원이 다음 단계입니다.

용어 해설

시계열 Foundation Model(Time Series Foundation Model)
— 시계열 Foundation Model은 다양한 시계열 신호를 한 번 학습한 뒤, 처음 보는 계열에도 과거 측정값의 창을 입력해 미래 예측·이상 탐지·유사 사례 검색·최적화 결과를 산출하는 모델입니다. 계열별로 별도 모델을 만드는 비용을 줄이고 여러 산업의 실시간 의사결정에 재사용할 수 있다는 점이 핵심입니다.
네이티브 추론(Native Inference)
— 네이티브 추론은 별도의 모델 서빙 인프라나 ML 플랫폼으로 데이터를 옮기지 않고, 데이터가 흐르는 실행 환경 안에서 모델을 호출하는 방식입니다. 이 글에서는 Confluent Cloud의 Apache Flink 안에서 IBM Granite Time Series 모델을 실행해 스트리밍 데이터와 추론 결과를 하나의 파이프라인으로 연결합니다.
상태 기반 스트림 처리(Stateful Stream Processing)
— 상태 기반 스트림 처리는 각 시계열의 최근 이력과 정상 상태를 유지하면서 새 데이터가 들어올 때마다 결과를 갱신하는 처리 방식입니다. Flink는 계열별 상태를 키로 관리하고 장애 발생 뒤에도 복구할 수 있어, 예측값과 이상 여부를 매번 별도 데이터베이스에서 조회하지 않아도 됩니다.
시맨틱 인텔리전스(Semantic Intelligence)
— 시맨틱 인텔리전스는 시간과 주파수 영역에서 시계열 구간의 형태를 임베딩으로 바꾼 뒤 과거 사례와 가까운 구간을 찾는 기능입니다. 결과가 단순한 이상 점수가 아니라 유사한 생산 실행·수요 곡선·사기 사례와 당시의 대응을 함께 가리키므로 분류, 결측 보완, 에이전트의 검색 문맥에도 활용됩니다.
제로샷 예측(Zero-Shot Forecasting)
— 제로샷 예측은 특정 시계열에 맞춰 별도로 학습하지 않은 모델이 처음 보는 계열의 과거 관측값을 입력받아 곧바로 미래를 예측하는 방식입니다. 이 글에서는 하나의 공유 모델이 상품별 별도 모델 없이 2년 된 SKU, 3개월 된 SKU, 출시 직후 SKU를 같은 작업에서 처리하며, SKU가 100,000개인 야간 CPU 작업 사례가 제시됩니다.

기술

  • IBM Granite Time Series
  • Confluent Cloud
  • Confluent Platform
  • Apache Flink
  • Flink SQL
  • Kafka
  • AI_FORECAST
  • AI_DETECT_ANOMALIES
  • PatchTST-FM-r1
  • FlowState-r1.1
  • TTM-r3
  • TSPulse
  • Hugging Face Hub

활용 사례

  • 유통 SKU 수요 예측과 재고 보충
  • 카드 결제 사기 탐지
  • 제조 공정의 실시간 최적화
  • 설비·IT·통신 스트림의 이상 탐지
  • 시계열 유사 사례 검색
  • 시계열 분류와 결측 보완
  • AI agent의 과거 사례 검색

언급된 리소스

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 09. 02.수집 2026. 09. 02.출처 타입 RSS

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.