Amazon Web Services ha annunciato l’integrazione di OpenTSLM-Flamingo Gemma 3 4B in Amazon SageMaker JumpStart, consentendo alle aziende di distribuire un modello linguistico multimodale specializzato nell’interpretazione delle serie temporali all’interno della propria infrastruttura cloud. Il sistema dispone complessivamente di 5,24 miliardi di parametri e combina il modello linguistico Gemma 3 4B con un encoder dedicato all’elaborazione dei segnali numerici. L’architettura consente di analizzare simultaneamente misurazioni quantitative e informazioni testuali, come registri di manutenzione, eventi di sistema, annotazioni tecniche e documentazione operativa, producendo spiegazioni e risposte in linguaggio naturale. I pesi del modello richiedono circa 10,5 GB di memoria GPU utilizzando il formato numerico bfloat16.
OpenTSLM nasce dalla collaborazione tra lo Schmiedmayer Lab della Stanford University e l’Agentic Systems Lab dell’ETH di Zurigo. Il progetto, distribuito attraverso un repository con licenza MIT, comprende strumenti per il fine-tuning e checkpoint preaddestrati disponibili su Hugging Face. L’architettura Flamingo utilizza un Perceiver Resampler per trasformare le rappresentazioni delle serie temporali in una struttura latente di dimensioni definite, integrata nel modello linguistico mediante livelli di gated cross-attention. Questo approccio si distingue dalla configurazione SoftPrompt, nella quale la rappresentazione numerica viene incorporata direttamente nella sequenza di token del modello. Le valutazioni originarie del progetto hanno riguardato l’interpretazione degli elettrocardiogrammi, la classificazione delle fasi del sonno e il riconoscimento delle attività motorie.
In ambito aziendale, Nexthink e Aionic Labs stanno applicando questa tecnologia allo sviluppo di Spark, un agente personale dedicato all’assistenza informatica proattiva. Il sistema combina informazioni sull’utilizzo della CPU, della memoria e dello spazio di archiviazione con dati sulla stabilità delle applicazioni, sulla connettività e sulla configurazione dei dispositivi. Il modello può correlare la progressiva riduzione dello spazio disponibile, l’aumento delle operazioni in attesa sul disco e la frequenza dei blocchi applicativi, elaborando una diagnosi accompagnata da indicatori osservabili. L’agente può quindi proporre operazioni di manutenzione autorizzate, richiedere conferma prima di eseguirle e verificare successivamente se l’intervento ha prodotto il risultato previsto.
La configurazione predefinita di SageMaker utilizza un’istanza ml.g6.2xlarge equipaggiata con una GPU NVIDIA L4 da 24 GB e 32 GB di memoria di sistema. Ogni richiesta può contenere fino a quattro istanze di elaborazione, comprendenti ciascuna da una a 32 serie numeriche, con un massimo di 32.768 valori per serie. I dati vengono standardizzati utilizzando media zero e deviazione standard unitaria, mentre i parametri statistici originali sono trasmessi al modello sotto forma di informazioni testuali. L’endpoint in tempo reale prevede un limite di 60 secondi per richiesta e una dimensione massima del payload di 6 MB, con una velocità indicativa di generazione di circa venti token al secondo.
AWS ha inoltre illustrato un processo di fine-tuning attraverso TimeNet, utilizzando il dataset ARFBench di Datadog, composto da 750 quesiti derivati da 142 serie temporali relative a 63 incidenti informatici reali. L’addestramento modifica l’encoder temporale, il Perceiver Resampler, i livelli di cross-attention e gli embedding, mantenendo congelata la restante architettura Gemma 3. In una verifica condotta su 135 quesiti esclusi dall’addestramento, l’accuratezza è passata dal 5% al 45,9%. Il risultato evidenzia la capacità di adattamento del modello allo specifico formato di analisi, senza costituire una valutazione generale delle sue prestazioni. La rappresentazione latente a dimensione fissa richiede inoltre un’attenta configurazione delle finestre temporali, soprattutto quando l’obiettivo consiste nell’individuare anomalie di brevissima durata.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
