AWS bringt OpenTSLM-Zeitreihenmodell zu SageMaker JumpStart

AWS stellt OpenTSLM, die Open-Source-Familie von Aionic Labs für Sprachmodelle zu Zeitreihen, über Amazon SageMaker JumpStart bereit. Unternehmen können das Modell dadurch in ihren eigenen AWS-Umgebungen betreiben und Betriebsdaten mit Textkontext kombinieren.
- OpenTSLM ist jetzt in Amazon SageMaker JumpStart verfügbar.
- OpenTSLM kombiniert Zeitreihenmessungen mit Textkontext.
- OpenTSLM-Flamingo verfügt über 5.24 Milliarden Parameter und nutzt Gemma 3 4B.
- Nexthink und Aionic Labs setzen die Technologie für proaktiven IT-Support ein.
- AWS stellt ein Tutorial zum Feinabstimmen von OpenTSLM mit TimeNet- und ARFBench-Daten bereit.
Ein Modell für Betriebsdaten und Kontext
In der Ankündigung erklärte AWS, OpenTSLM sei darauf ausgelegt, Unternehmen bei der Interpretation von Messwerten wie Gerätesensordaten, Angebot und Nachfrage sowie Telemetriedaten von Geräten zu unterstützen. Die Modelle können diese Signale gemeinsam mit Wartungsaufzeichnungen, Marktnachrichten und Beobachtungen von Ingenieuren verarbeiten. So können Systeme aufkommende Probleme in aktuellen Messwerten erkennen.
AWS erklärte, dass allgemeine Modelle wie Claude oder ChatGPT Betriebsdaten analysieren können. Die Umwandlung langer Verläufe über Hunderte von Messgrößen in Text oder Bilder kann jedoch große Token-Mengen verbrauchen. OpenTSLM soll direkter mit Zeitreiheninformationen arbeiten, sodass Experten Anschlussfragen dazu stellen können, was sich geändert hat und wie darauf reagiert werden sollte.
TimeNet, von AWS als gemeinsame Dateninfrastruktur für Zeitreihendaten beschrieben, stellt ein Format und eine API zum Auffinden, Erstellen und Laden von Datensätzen bereit, die zum Trainieren und Bewerten der Modelle verwendet werden.
Nexthink nutzt den Ansatz für proaktiven IT-Support
AWS hob die Arbeit von Nexthink und Aionic Labs an Spark hervor, dem persönlichen IT-Agenten von Nexthink. Spark kombiniert Gerätelemetrie mit Kontextinformationen, um Probleme zu erkennen, die bei Beschäftigten auftreten könnten, sie durch eine mögliche Lösung zu führen und anschließend das Ergebnis zu überprüfen.
Der Ablauf kann CPU-Aktivität, Speichernutzung, verfügbaren Speicherplatz, Anwendungsstabilität und Konnektivität zusammen mit zeitgestempelten Ereignissen sowie Geräte- und Softwarekontext verwenden. Laut AWS liefert OpenTSLM Spark drei Ergebnisse: eine Zustandszusammenfassung, die das wahrscheinliche Problem und die unterstützenden Signalmuster erklärt, eine empfohlene Maßnahme und ein erwartetes Ergebnis.
Im von AWS veranschaulichten Beispiel mit knappem Speicherplatz verbindet das Modell abnehmenden freien Speicher, eine wachsende Festplattenwarteschlange und häufigere Anwendungshänger mit Symptomen wie einem langsamen Computer oder Schwierigkeiten beim Speichern von Dateien. Spark prüft den verfügbaren Speicherplatz und ob temporäre Dateien über eine von der IT genehmigte Bereinigung entfernt werden können. Vor der Ausführung der Bereinigung bittet Spark die beschäftigte Person um Bestätigung, prüft das Ergebnis und bietet an, die Erkenntnisse an den IT-Support weiterzugeben, falls das Problem bestehen bleibt.
OpenTSLM-Flamingo ist über SageMaker verfügbar
Das in SageMaker JumpStart angebotene Modell ist OpenTSLM-Flamingo. AWS zufolge kombiniert es das Sprachmodell Gemma 3 4B mit einem Zeitreihen-Encoder und Cross-Attention-Schichten. Dadurch kann das Sprachmodell auf die kodierten Reihen zugreifen. Das Modell verfügt über 5.24 Milliarden Parameter, die in bfloat16 gespeichert sind, wobei die Gewichte etwa 10.5 GB GPU-Speicher benötigen.
SageMaker JumpStart ermöglicht die Suche und Bereitstellung von Modellen, während SageMaker AI Inferenz-Endpunkte innerhalb der AWS-Infrastruktur eines Unternehmens unterstützt. AWS führt vorgefertigte GPU-beschleunigte Inferenz-Container, automatisch skalierende Endpunkte, standardisierte Inferenz-APIs, integrierte Überwachung und Sicherheitsoptionen für Unternehmen als Funktionen der Plattform auf.
OpenTSLM läuft auf einer einzelnen GPU mit mindestens 24 GB Speicher und bfloat16-Unterstützung. AWS empfiehlt 32 GB Hauptspeicher und nennt ml.g6.2xlarge mit einer NVIDIA-L4-GPU und 24 GB Speicher als standardmäßigen Instance-Typ. Die Ankündigung beschreibt außerdem ein Tutorial zum Feinabstimmen eines OpenTSLM-Checkpoints von Hugging Face mit über TimeNet geladenen ARFBench-Daten. Das daraus entstehende Modellartefakt wird vor der Bewertung auf einem separaten SageMaker-Echtzeit-Inferenz-Endpunkt in Amazon S3 gespeichert.
Für Nutzer bietet die Veröffentlichung einen Weg, Zeitreihenverarbeitung in Anwendungen zu testen, die numerische Daten und Sprachkontext kombinieren. AWS zufolge kann derselbe Ansatz Fertigung, Energie und vernetzte Produkte unterstützen. Anwendungen können dabei das Beobachtungsfenster steuern, relevante Signale auswählen und Modellantworten validieren, bevor sie in einem weiteren Ablauf verwendet werden.


