IBM Granite zaman serisi modelleri için topluluk tahmin arayüzü yayınlandı

IBM'in açık Granite zaman serisi modelleri için hazırlanan topluluk tahmin tarifi Hugging Face'te kullanıma açıldı. Kaynak blog yazısına göre yöntem, dört farklı Granite mimarisinin tahminlerini tek çağrıda birleştirerek geliştiricilerin verilerine hangi modelin uyacağını önceden seçme zorunluluğunu azaltıyor. Önceden eğitilmiş modeller kendi veri kümenizde eğitim gerektirmeden tahmin üretebiliyor; ancak düzgün endüstriyel sinyallerde iyi çalışan bir model gürültülü perakende talebinde ya da uzun mevsimsel ufuklarda zayıf kalabiliyor.

Granite Timeseries Ensemble, bu seçimi makul bir varsayılana indiriyor. Tarif dört tamamlayıcı mimariyi birleştirip medyan ve çeyreklik tahminler döndürüyor; yeniden eğitim ya da topluluk ağırlıklarının uydurulması gerekmiyor. Blog yazısına göre topluluk tarifi ve varsayılan Granite üyeleri izin verici lisanslarla sunuluyor.

Granite Timeseries Ensemble nasıl çalışıyor?

Yaklaşım, hava tahminlerindeki topluluk yöntemlerine benziyor. Farklı modeller olası sonuçlara dair farklı görüşler sunuyor, topluluk da bu görüşleri tek bir tahminde birleştiriyor. Blog yazısında bu benzetme, mevsimsel tahmin için farklı modelleri bir araya getiren North American Multi-Model Ensemble gibi sistemlerle kuruluyor.

Varsayılan tarif, farklı mimarilere sahip dört önceden eğitilmiş Granite modelini bir araya getiriyor. Bu mimariler trendleri, mevsimselliği ve yerel değişimi farklı biçimlerde yakaladığı için hatalarının örtüşmesi gerekmiyor. Sonuç nesnesindeki prediction_outputs nokta tahminini, quantile_outputs ise varsayılan olarak 0,1 ile 0,9 aralığındaki çeyreklik tahminleri içeriyor. Blog yazısına göre 0,1 ve 0,9 çeyreklikleri, nominal yüzde 80 kapsama oranına sahip bir merkezi tahmin aralığı tanımlıyor.

İki birleştirme yöntemi arasındaki fark ne?

Önerilen varsayılan yöntem olan Probabilistic Ensemble, her üyeye eşit etki tanıyor ve çeyreklik tahminleri olasılık uzayında birleştiriyor. Ağırlıklar sabit olduğu için yeni bir seri için uydurma adımı ya da ayarlanacak ağırlık hiperparametresi bulunmuyor.

Uyarlanabilir alternatif olan IQR Ensemble ise üyeleri tahmin yayılımlarına göre ağırlıklandırıyor ve daha dar aralıklara daha fazla etki veriyor. Ağırlıklar örnek, hedef ve ufuk adımına göre değişiyor; bu yöntemde de geçmiş tahmin hatalarından bir uydurma yapılmıyor. Blog yazısı, dar bir aralığın tek başına daha doğru ya da daha iyi kalibre edilmiş bir tahmin anlamına gelmediği ve IQR ağırlıklandırmasının aşırı kendine güvenen bir üyeyi öne çıkarabileceği uyarısında bulunuyor. Denemek isteyenler için tarif, ağırlıkları eşite yaklaştıran bir sıcaklık ayarı ve tek bir üyenin ağırlığına isteğe bağlı üst sınır sunuyor.

Topluluk tek modellerden daha mı iyi?

Araştırmacılar iki tarifi 97 GIFT-Eval veri kümesi yapılandırmasında değerlendirdi. Modeller ince ayar yapılmadan tahmin üretti ve birleştirme yönteminin seçiminde ya da uydurulmasında test hedefleri kullanılmadı. Blog yazısında resmi topluluk sonuçları, dört bileşen modelle ve 20 Ekim 2026'da alınan yayımlanmış liderlik tablosu puanlarıyla karşılaştırılıyor.

Buna göre her iki topluluk da toplam MASE ve ortalama MASE sıralamasında dört tek modelin önüne geçti. Probabilistic Ensemble, 0,683 MASE değeriyle PatchTST-FM-r2'nin 0,685'lik skorunun hafifçe önünde, bu altı tahmin arasındaki en düşük MASE değerini elde etti. Ancak en iyi tek üyeye karşı MASE farkı küçük; blog yazısı bu nedenle asıl faydanın dayanıklılık olduğunu belirtiyor: hangi mimarinin veriye uyacağını önceden bilmeden benzer ya da daha iyi toplam doğruluk elde ediliyor.

Olasılıklı tahminlerde tablo değişiyor. PatchTST-FM-r2 en düşük toplam CRPS/MWQL skorunu korurken IQR Ensemble bu altı tahmin arasında en iyi ortalama CRPS sıralamasına ulaştı. 20 Ekim 2026 karşılaştırmasında topluluk yaklaşımı, uygun sistemler arasında MASE ve CRPS sıralamalarında 3. sırada yer aldı. Blog yazısı, bazı sistemlerin ince ayarlı ya da izin verici olmayan lisanslı oldukları için hariç tutulduğunu ve topluluğun değerinin liderlik tablosunun zirvesi değil, tek bir varsayılanla birçok seride tutarlı sonuç vermesi olduğunu vurguluyor.

Türkiye'deki geliştiriciler için ne anlama geliyor?

Tarif Hugging Face üzerinden erişilebildiği için Türkiye'deki geliştiriciler de modeli indirip kendi altyapılarında çalıştırabiliyor. Blog yazısına göre tarif, birleştirilmiş model ağırlıkları yerine topluluk yapılandırmasını saklıyor ve dört üye kontrol noktasını çalışma anında indiriyor; bu nedenle ilk çalıştırma için ek süre tanınması gerekiyor.

Arayüz, uyumlu dış modelleri de kabul ediyor. Kullanıcılar üye karışımını ya da birleştirme yöntemini değiştirip aynı tahmin biçimini koruyabiliyor, üye kontrol noktalarını birleştirmek ya da yeniden eğitmek zorunda kalmıyor. Depoda ayrıca IBM Research kontrol noktalarını ekleyen genişletilmiş tarifler yer alıyor; bunlar ticari olmayan ve araştırma amaçlı kullanım kısıtları dahil ayrı lisans koşulları taşıdığı için her üyenin model kartının incelenmesi öneriliyor.

Kendi verinizde nasıl test edilir?

Blog yazısı, topluluk kazanımlarının her seride geçerli olmadığı ve ortalama sıralamaların kalibrasyonu kanıtlamadığı uyarısını yapıyor. Önerilen yöntem, tarifleri temsili verilerde geriye dönük test etmek: her tahmin başlangıcında mevcut olan veriyi, ihtiyaç duyulan ufku ve sunulması beklenen serileri yansıtan geçmiş pencereler kullanmak.

Karşılaştırma için Probabilistic Ensemble, IQR Ensemble ve PatchTST-FM-r2 gibi güçlü bir tek üyenin aynı pencerelerde çalıştırılması öneriliyor. Nokta hatasının ötesine bakmak, MASE ile birlikte çeyreklik kaybı değerlendirmek ve 0,1-0,9 aralığının ampirik kapsamını nominal yüzde 80 ile karşılaştırmak gerekiyor.

Yazı iki sınırlamaya dikkat çekiyor: mevcut tarif çok değişkenli kanalları kanallar arası bilgiyi kullanmadan bağımsız tahmin ediyor ve dört üye kontrol noktası yüklediği için tek üyeye göre çıkarım süresini ve belleği artırıyor. Üyelerin bağlam limitleri, ufukları, ön işleme ve eksik değer yöntemleri de farklılık gösteriyor; hiçbir birleştirme yöntemi dağılım kayması altında kalibrasyon ya da dayanıklılık garantisi vermiyor.