İçeriğe geç
Pazar, 15 Kasım 2026Yapay zekâ · sade Türkçe · denenmiş@yapaytu
YAPAYTU

IBM, dört Granite modelini tek tahmin aracında birleştirdi

IBM, dört Granite modelini birleştiren tahmin aracını yayımladı. Kendi verinle yeniden eğitim gerektirmiyor; doğruluk kazanımı ve bellek maliyeti ölçülmeli.

Yapay TU Editör · 4 dk okuma
IBM'den dört modelli tahmin aracı
Kısa cevap

IBM Research, 22 Ekim 2026'da Granite Timeseries Ensemble aracını tanıttı. Araç, dört hazır modelin zaman serisi tahminlerini yeniden eğitim gerektirmeden birleştiriyor. Satış veya sensör verileriyle çalışan geliştiriciler için model seçimini kolaylaştırmayı amaçlıyor.

IBM Research, 22 Ekim'de dört hazır yapay zekâ modelini bir arada kullanan Granite Timeseries Ensemble aracını tanıttı. Araç, satış talebi veya sensör ölçümleri gibi zamana göre sıralanmış verilerden tahmin üretirken hangi modeli seçeceğine karar vermekte zorlanan geliştiricilere yönelik. IBM'in testinde modelleri birleştirmek ortalama nokta tahmini hatasını düşürdü; ancak en iyi tek modelle fark küçük kaldı.

Granite Timeseries Ensemble nasıl çalışıyor?

IBM Research'ün 22 Ekim tarihli teknik duyurusuna göre, araç dört Granite modelinin tahminlerini ortak bir arayüz üzerinden birleştiriyor. Zaman serisi, tarih veya saat sırasıyla kaydedilmiş ölçümler anlamına geliyor. Haftalık ürün satışları ve saatlik sıcaklık ölçümleri birer zaman serisi örneği.

Varsayılan yapı PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 ve TTM-r3 modellerini kullanıyor. Bu modeller farklı mimarilere sahip. IBM, modellerin eğilimleri ve mevsimsel değişimleri farklı biçimde yakalayabildiğini, dolayısıyla hatalarının her zaman aynı yerde oluşmayabileceğini belirtiyor.

Hugging Face'ten indirilen yapılandırma, dört modelin ağırlıklarını tek bir model dosyasında birleştirmiyor. Araç çalışırken üye modelleri ayrı ayrı indiriyor. Bu nedenle ilk çalıştırmada indirme süresini hesaba katmak gerekiyor. Kendi verinle yeniden eğitim yapman veya geçmiş tahmin hatalarından birleştirme ağırlıkları öğrenmen gerekmiyor.

Çıktıda merkez tahminin yanında kuantil değerleri de var. Kuantiller, tahmin edilen dağılımın farklı yüzdelik noktalarını gösteriyor. Duyurudaki örnekte 0,1 ile 0,9 kuantilleri arasındaki aralığın, olası sonuçların yüzde 80'ini kapsaması bekleniyor. Gerçek verilerin ne kadarının bu aralığa düştüğünü ayrıca ölçmek gerekiyor.

İki birleştirme yöntemi arasındaki fark ne?

IBM'in önerdiği Probabilistic Ensemble yöntemi her modele eşit etki verirken, IQR Ensemble daha dar tahmin aralığı üreten modellere daha fazla ağırlık veriyor. İlk seçenek varsayılan olarak yükleniyor ve yeni bir veri serisi için ağırlık ayarı gerektirmiyor. Başlangıçta hangi mimarinin daha iyi çalışacağını bilmiyorsan IBM bu yöntemi öneriyor.

IQR seçeneği ise modellerin tahminlerinin yayılımına bakıyor. Ağırlıklar örneğe, hedef değişkene ve gelecekte tahmin edilen adıma göre değişebiliyor. Buradaki sorun, dar bir tahmin aralığının doğru tahmin anlamına gelmemesi. IBM de yöntemin kendinden fazla emin bir modele gereğinden çok ağırlık verebileceği uyarısını yapıyor.

Bu yüzden IQR'yi kullanmadan önce varsayılan yöntemle aynı geçmiş veri pencerelerinde karşılaştırmak gerekiyor. Duyuru, tek bir modelin ağırlığını sınırlamaya yarayan seçeneklerin de bulunduğunu belirtiyor. Geliştirici isterse uyumlu başka tahmin modellerini aynı arayüze ekleyebiliyor; ancak eklenen her modelin lisansını ayrıca kontrol etmeli.

Test sonuçları ne kadar iyileşme gösteriyor?

IBM'in 97 GIFT-Eval veri kümesi yapılandırmasındaki değerlendirmesinde, varsayılan birleşimin MASE hata değeri 0,683 olurken en iyi tek model PatchTST-FM-r2'nin değeri 0,685 oldu. MASE, nokta tahmininin hatasını bir referans tahminle ölçekleyerek değerlendiren ölçüt; düşük değer daha iyi sonucu gösteriyor. Karşılaştırma, 20 Ekim 2026'da kaydedilen puanlara dayanıyor.

IBM, bu farkın küçük olduğunu açıkça söylüyor. Birleşik modellerin öne çıkan yararı, hangi tek modelin veriye uygun olduğunu önceden seçmeden benzer veya daha iyi toplu sonuç elde etmek. Buna karşılık olasılıklı tahminleri değerlendiren CRPS/MWQL toplu puanında PatchTST-FM-r2 tek başına daha iyi kaldı. Dolayısıyla sonuçlar, her ölçütte aynı yöntemi desteklemiyor.

Dört modeli yüklemek, tek modele göre daha fazla bellek ve tahmin süresi gerektiriyor. Mevcut yapı farklı veri kanallarını birbirinden bağımsız tahmin ediyor; kanallar arasındaki bilgiyi kullanmıyor. Örneğin birden fazla ölçüm sütunu vermek, aracın bu sütunlar arasındaki ilişkilerden yararlandığı anlamına gelmiyor. Mistral'ın Timestral tahmin modelleri hakkındaki haberimiz, aynı alandaki başka bir yaklaşımı incelemek isteyenler için ek okuma olabilir.

Bizim yorumumuz: önce geçmiş satışlarını tahmin ettir

Bizce bu aracı değerlendirmenin en yararlı yolu, sonucu zaten bilinen bir dönemi modelden saklayıp tahmin ettirmek. Türkiye'de bir küçük işletme için haftalık satış geçmişiyle başlayabilirsin. Elindeki verinin son bölümünü test için ayır, önceki dönemi modele ver ve tahmini gerçekleşen satışlarla karşılaştır. Deneme tasarımında, tahmin anında elinde bulunmayacak bilgileri modele vermemeye dikkat et.

Tek modelle birleşik yapıyı aynı dönemlerde karşılaştırmanı öneririz. Dört modelin toplam çalışma süresini ve bellek tüketimini de kaydet. Hata farkı işletmenin kararını değiştirmeyecek kadar küçükse ek kaynak tüketimini üstlenmek için başka bir gerekçen olmalı. Özellikle düzenli tahmin üretecek bir uygulamada, başarılı bir örnek çıktıyla yetinmek yerine farklı dönemleri denemek daha anlamlı.

IBM'in duyurusu Türkiye'den erişim koşullarını veya Türkçe desteğini ayrıca açıklamıyor. Ürün sayısal zaman serileriyle çalıştığı için, kendi denemende tarih biçimini ve eksik değerlerin nasıl işlendiğini kontrol etmek yararlı olur. Hazır bir model kullanabilmek, işletme verisinin kendiliğinden uygun biçime geleceğini göstermiyor.

Varsayılan yapı ve dört üyesi için izin verici lisanslar belirtiliyor. Ancak ek IBM Research modelleri içeren genişletilmiş yapılarda ticari olmayan kullanım veya araştırma kısıtları bulunabiliyor. Bizce deneme kaydına kullandığın model listesini de ekle; böylece başarılı bulduğun yapılandırmayı uygulamaya taşırken hangi lisansları incelemen gerektiği belli olur.

İlk deneme için ne kurmak gerekiyor?

Yazı tarihinde IBM'in örneği, Granite TSFM paketinin en az 0.3.11 sürümünü gerektiriyor. Duyurudaki kurulum komutu şöyle:

bash
pip install "granite-tsfm>=0.3.11"

Ardından duyurudaki örnek kod, ibm-granite/granite-timeseries-ensemble-r1 yapılandırmasını yüklüyor. Kod örneğinde son 1024 gözlemden sonraki 24 adım tahmin ediliyor; bu sayılar her kullanım için zorunlu ayar olarak sunulmuyor. İlk denemede örneği çalıştırıp çıktı biçimini incele, kendi verine geçtiğinde ise tahmin edeceğin süreyi gerçek iş ihtiyacına göre seç. Geçmiş verideki karşılaştırmayı tamamlamadan çıktıyı otomatik stok siparişine bağlama.

Sık sorulanlar

Granite Timeseries Ensemble ne işe yarıyor?

Zamana göre sıralanmış verilerden geleceğe yönelik tahmin üretmek için dört Granite modelinin sonuçlarını birleştiriyor. Merkez tahminin yanında olası sonuç aralıklarını değerlendirmeye yarayan çıktılar veriyor.

IBM'in tahmin aracını kendi verimle eğitmem gerekiyor mu?

Varsayılan yöntem, hazır modelleri kullanıyor ve yeniden eğitim gerektirmiyor. Yine de kendi geçmiş verin üzerinde hata oranını ve tahmin aralıklarının ne kadar güvenilir olduğunu ölçmen gerekiyor.

Dört model kullanmak her zaman daha doğru sonuç veriyor mu?

Hayır. IBM'in toplu değerlendirmesinde nokta tahmini hatası azaldı, ancak en iyi tek modele göre fark küçük. Belirsizliği değerlendiren toplu ölçütte tek başına PatchTST-FM-r2 daha iyi sonuç verdi.

#ibm#granite#tahmin#acik-modeller
E-bülten

Haftada bir e-posta. Sadece işe yarayanlar.

Haftanın en iyi yapay zekâ araçları ve yeni rehberler. İstediğin an tek tıkla çık.

Adresine bir onay e-postası gelir. Aydınlatma metni
Sıradaki yazı Mistral, işlemcide çalışan Timestral modellerini duyurdu

Bunları da okuyun