Integration von IBMs Zeitreihen-KI-Modellen in Echtzeit-Datenströme von Confluent

Echtzeit-Intelligenz: IBMs Zeitreihenmodelle auf Confluent Cloud

Die Integration von Künstlicher Intelligenz in Unternehmensprozesse hat sich in den letzten Jahren rasant entwickelt. Insbesondere der Wert, der aus unstrukturierten Daten gewonnen werden kann, wurde durch Foundation Models transformiert. Eine noch größere Herausforderung und Chance bietet sich jedoch im Bereich der Streaming-Daten, wo geschäftskritische Entscheidungen in Echtzeit getroffen werden müssen. Hier setzen IBM und Confluent mit einer neuen Partnerschaft an, die darauf abzielt, Zeitreihen-KI-Modelle direkt in die Echtzeit-Datenströme von Unternehmen zu bringen. Diese Modelle sind nun im Early Access auf Confluent Cloud verfügbar und sollen Unternehmen ermöglichen, Vorhersagen und Anomalieerkennung direkt auf sich ändernde Geschäftsbedingungen anzuwenden.

Die Notwendigkeit von Echtzeit-Einblicken

Bislang basierten viele unternehmerische Entscheidungen auf einem veralteten wirtschaftlichen Modell. Oft wurde für jede spezifische Aufgabe ein individuelles Modell entwickelt, was Monate an Expertenarbeit erforderte. Dies führte dazu, dass nur eine begrenzte Anzahl von Zeitreihen, die als besonders wertvoll erachtet wurden, modelliert wurden. Der Rest wurde mit Sicherheitsmargen, zusätzlichen Lagerbeständen oder Toleranzen abgedeckt, wobei Entscheidungen oft erst getroffen wurden, nachdem das optimale Handlungsfenster bereits geschlossen war. Diese Margen stellen Kosten dar, die entstehen, weil präzise Vorhersagen nicht rechtzeitig verfügbar waren.

Ein Zeitreihen-Foundation-Modell (TSFM) verändert diese Dynamik grundlegend. Ein solches Modell, das einmal über eine Vielzahl unterschiedlicher Signale trainiert wurde, kann auf nie zuvor gesehene Zeitreihen generalisieren. Es kann aus einem Fenster von Messwerten ableiten, was als Nächstes kommt, wie weit ein Verhalten vom Normalzustand abweicht, welche historischen Muster dem aktuellen ähneln und welche Einstellungen ein bestimmtes Ziel am besten unterstützen. Der Einsatz dieser Modelle erfordert keine Armee von Datenwissenschaftlern; ein Bedarfsplaner, ein Betrugsanalyst oder ein Prozessingenieur kann diese Modelle direkt auf ihren Datenströmen anwenden. IBM entwickelt darüber hinaus Funktionen, die die Arbeit vereinfachen, sodass Vorhersagen, Anomalieerkennung, Optimierung und semantische Intelligenz als abrufbare Fähigkeiten und nicht als aufwendige Projekte zur Verfügung stehen.

Praktische Anwendung: Das Beispiel einer Schokoladenfabrik

Stellen Sie sich eine Temperierlinie in einer Schokoladenfabrik vor, deren Temperatur, Geschwindigkeit und Durchsatz alle paar Sekunden abgetastet und mit festen Schwellenwerten verglichen werden. Ein Foundation-Modell, das in diesen Datenstrom integriert wird, kann die Produktionsleistung der Linie für die Abendschicht vorhersagen. Dadurch kann der Planer einen Engpass erkennen, während noch Zeit zum Handeln ist. Es bewertet die heutige Produktion im Vergleich zum normalen Verhalten der Linie bei dunkler Schokolade, sodass eine langsame Abweichung erkannt wird, bevor ein Produktfehler auftritt. Es findet die ähnlichsten Muster in der Anlagenhistorie, sodass der Ingenieur weiß, wie ähnliche frühere Läufe ausgegangen sind. Das Modell kann auf die von der Crew gesteuerten Einstellungen konditioniert und feinabgestimmt werden, wenn die letzten Genauigkeitspunkte entscheidend sind. Ein solches System erfordert kein dediziertes Data-Science-Team und dasselbe Modell kann auf jede Linie in jeder Fabrik angewendet werden.

IBM hat diese Modelle zunächst intern in eigenen Produkten und Operationen getestet und anschließend mit Partnern aus Branchen wie Zement, Stahl, Zellstoff und Papier, Lebensmittel und Telekommunikation. Die Ergebnisse sind signifikant: Jeder Genauigkeitspunkt kann Millionen wert sein, Produktivitätssteigerungen liegen zwischen dem 5- bis 10-fachen, und Aufgaben, die zuvor Spezialisten vorbehalten waren, können nun von Domänenexperten, die die Entscheidungen treffen, eigenständig bearbeitet werden.

Die Verschmelzung von Zeitreihen-Intelligenz und Echtzeit-Kontext

Die IBM-Modelle, die ein tiefes Verständnis für das Verhalten von Signalen besitzen und über 44 Millionen Downloads verzeichnen, treffen nun auf die Live-Datenströme von Confluent. Gemeinsam ermöglichen sie eine "Stream-Native"-Verarbeitung, die in Confluent Cloud gehostet und über Apache Flink® aufgerufen wird. Der Zugang ist zunächst über Confluent Cloud auf AWS verfügbar, gefolgt von der Confluent Platform, die dieselben Modelle und Funktionen für On-Premise- und Hybrid-Umgebungen bereitstellt.

Vorteile der Integration: Null-Konfiguration, Governance und Effizienz

Die Monate, die typischerweise für die Integration eines Modells in die Produktion aufgewendet werden, entfallen bei dieser Lösung. IBM Granite liest das Signal, während Confluent den Kontext, die Governance und die Bereitstellung für alle nachgelagerten Systeme übernimmt.

Der Wert eines Signals nimmt mit der Zeit ab: Eine Pumpe, deren Abweichung heute entdeckt wird, führt zu einem Wartungsauftrag; dieselbe Pumpe, die nächste Woche ausfällt, führt zu einem Betriebsausfall. Vorhersagen und Erkennungen sind zustandsbehaftet. Der nächste Wert hat nur im Kontext der jüngsten Vergangenheit Bedeutung, und eine Anomalie existiert nur im Vergleich zu einem fortlaufenden Normalzustand. Apache Flink verwaltet diesen Zustand pro Zeitreihe, ist fehlertolerant und stellt sicher, dass jedes Modell die benötigte Historie ohne separaten Datenspeicher oder Datenbankzugriff pro Aufruf erhält.

Die Daten-Streaming-Plattform von Confluent versetzt Geschäftsdaten in Bewegung und macht sie für maschinelles Lernen nutzbar. Sie streamt, verbindet, verwaltet und verarbeitet kontinuierlich Echtzeitdaten, erfasst Live-Geschäftssignale, die von IBM Granite Time Series Modellen für Vorhersagen, Anomalieerkennung, Ähnlichkeitssuche, Klassifizierung, Lückenschließung und Optimierung genutzt werden. Confluent bietet die notwendigen Werkzeuge, um Streaming-Anwendungsfälle schnell, zuverlässig und sicher zu implementieren, sodass sich Entwickler auf Echtzeit-ML-Anwendungen konzentrieren können, anstatt die Dateninfrastruktur zu verwalten.

Confluent Cloud, die Cloud-Bereitstellung der Daten-Streaming-Plattform von Confluent, bietet native Inferenz. Dies ermöglicht es, IBM Granite Time Series Modelle direkt innerhalb von Apache Flink® auf Confluent auszuführen, was eine größere Flexibilität, Sicherheit und Kosteneffizienz für die Echtzeit-Datenverarbeitung bietet und Daten- und ML-Workflows vereinheitlicht. Die Vorteile umfassen:

- Echtzeit-Intelligenz am Datenursprung: Vorhersagen und Anomalieerkennung werden direkt auf Streaming-Daten durchgeführt, sobald sich Geschäftsbedingungen ändern, ohne Zeitreihendaten in eine separate ML-Plattform oder ein Data Warehouse extrahieren zu müssen. - Null-Konfiguration: Confluent verwaltet Modellbereitstellung, Infrastruktur, Skalierung und Laufzeitoperationen. Es sind keine Anbieter-Anmeldeinformationen oder Schnittstellen zwischen Datenpipelines und dem Modell erforderlich. IBM Granite Time Series Modelle können direkt aus Flink SQL für Echtzeit-Anomalieerkennung und -Vorhersage aufgerufen werden. - Frischer, angereicherter Kontext: Confluent erfasst und verarbeitet kontinuierlich Daten zu einem aktuellen Überblick über den Geschäftsstatus, von Sensor-Telemetrie und Zahlungsvorgängen bis hin zu Anwendungsmetriken. So können Modelle auf aktuelle Ereignisse und nicht auf veraltete Batch-Daten reagieren, um zuverlässigere und genauere Vorhersagen zu treffen. Inferenz-Ergebnisse werden in Kafka-Topics geschrieben und an Warnsysteme, Dashboards, Lakehouses und KI-Agenten verteilt. - Integrierte Governance und Nachvollziehbarkeit: Inferenz-Pipelines folgen denselben Schemata, Lineage- und Zugriffssteuerungen wie alle anderen Komponenten der Plattform. Kafka-Topics sind dauerhaft und wieder abspielbar, was Audits, Fehlerbehebung, Modellevaluierung und das erneute Ausführen von Inferenzen mit historischen Daten unterstützt. - Kosteneffizienz: Native Inferenz eliminiert die Notwendigkeit, dedizierte Modellbereitstellungs-Infrastruktur oder GPUs bereitzustellen und zu verwalten, und verzichtet auf Cloud-Ingress- oder Egress-Gebühren. - Verbesserte Sicherheit: Daten bleiben für die Inferenz innerhalb von Confluent Cloud und unterliegen plattformweit RBAC- und Datenschutzrichtlinien. - Schnellere Wertschöpfung: Teams können in wenigen Minuten von Streaming-Daten zu einer funktionierenden Vorhersage- und Anomalieerkennungspipeline übergehen, indem sie vertraute SQL-Syntax verwenden, anstatt einen separaten ML-Stack oder Punkt-zu-Punkt-Datenpipelines aufzubauen.

Durch die Verknüpfung von operativen und analytischen Bereichen hilft Confluent Teams, Live-Geschäftsereignisse in umsetzbare Intelligenz umzuwandeln, indem IBM Granite Time Series Modelle in den Datenstrom integriert werden. Da kein einzelnes Modell gleichermaßen eine Shampoo-Linie, ein Kartennetzwerk und einen Einzelhandelskatalog bedient, bieten IBM und Confluent ein Portfolio statt eines einzelnen Modells an.

Ein komplementäres Portfolio von Zeitreihen-Foundation-Modellen

Jede Entscheidung stellt der Zukunft eine andere Frage. Ein Planungszyklus benötigt eine Reihe von Ergebnissen, ein Handelsschalter die genaueste Zahl aus Daten zu jeder Rate, eine Flotte von hunderttausend Zeitreihen einen rational bleibenden Kostenpunkt und ein Sicherheitsteam den Moment, in dem ein Datenstrom sich nicht mehr normal verhält und was beim letzten Mal geschah. Das Portfolio umfasst vier komplementäre Zeitreihen-Foundation-Modelle, die alle im Early Access verfügbar sind und über die bestehenden Flink-SQL-Funktionen `AI_FORECAST` und `AI_DETECT_ANOMALIES` von Confluent aufgerufen werden können. Modelle können mit einem einzigen SQL-Parameter gewechselt werden, ohne das Pipeline-Design zu ändern.

Der gesamte Prozess kann mit einem SQL-Aufruf abgewickelt werden, wobei der Modelltyp einfach durch einen Parameter geändert werden kann, ohne einen separaten ML-Stack aufbauen oder betreiben zu müssen.

Da es kein einziges bestes Modell gibt, leiten einige Fragen die Modellauswahl: Eine Zeitreihe oder Tausende? Eine Variable oder viele? Trainingszeit oder sofort einsatzbereit? Wie weit in die Zukunft? Vorhersage oder Anomalien?

- PatchTST-FM analysiert eine Zeitreihe ähnlich wie ein Sprachmodell Text, Stück für Stück, wobei jede Variable in ihrem eigenen Kanal verarbeitet wird, um zu verhindern, dass ein verrauschtes Signal die anderen beeinträchtigt. Es liefert eine vollständige Verteilung, sodass ein Planer Nachbestellungspunkte basierend auf dem 90. Perzentil festlegen kann. - FlowState aktualisiert eine laufende Zusammenfassung mit jedem neuen Datenpunkt und kann aufgrund seiner kontinuierlichen Zeitdynamik sowohl SCADA-Daten auf Sekundenebene als auch stündliche Marktdaten verarbeiten. - TTM (Tiny Time Mixer) verzichtet auf aufwändige Aufmerksamkeitsmechanismen zugunsten kleiner Mischungsnetzwerke über Zeit und Variablen hinweg, wodurch ein Millionen-Parameter-Modell hunderttausend Zeitreihen nächtlich auf CPUs abdecken kann. - TSPulse kombiniert Zeit- und Frequenzansichten in einem kleinen Multi-Task-Modell für Anomalieerkennung, Klassifizierung, Lückenschließung und die Frage, die sich jeder Operator stellt: "Haben wir das schon einmal gesehen?"

Die Entscheidung für kompakte Modelle war bewusst und kein Kompromiss: Die Inferenz läuft nativ innerhalb von Confluent Cloud oder auf eigenen CPUs mit offenen Gewichten vom Hugging Face Hub, und das Fehlen von Cloud-Ingress- oder Egress-Gebühren hält die Architektur einfach und die Kosten niedrig. IBM Granite bringt zudem das Enterprise-KI-Governance-Framework von IBM mit Modellherkunft und Lizenztransparenz sowie eine wachsende Anzahl von Funktionen auf den Modellen mit, die jeden Anwendungsfall sofort nützlicher machen. Hier verschmelzen Portfolio und Plattform, und ein Modell wird vom Archiv der Vergangenheit zum Optimierer von noch laufenden Entscheidungen.

Wertschöpfung durch Vorhersage, Anomalieerkennung, Optimierung und semantische Intelligenz

Alle vier Bereiche verkürzen die Zeit zwischen einem Ereignis und dessen Kenntnisnahme. Im Datenstrom schrumpft diese Lücke von Tagen auf Sekunden, und das Signal wird zu einem Auslöser für andere KI-Systeme, Agenten und Workflows, die untersuchen, das Wichtige priorisieren und bei Bedarf einen Menschen mit bereits gesammeltem Kontext hinzuziehen, wenn eine Entscheidung eine menschliche Intervention erfordert. Jede der vier Funktionen wird auch als eigenständige Funktion paketiert, sodass mehr Arbeit in der Plattform und weniger beim nutzenden Team liegt.

Vorhersage und Planung

Die meisten Vorhersagen basieren immer noch auf statistischen Modellen und Bauchgefühl, verpackt als Entscheidungen. Maßgeschneiderte ML-Modelle haben die Lücke nicht geschlossen, da sie oft ein Modell pro Zeitreihe erfordern, das manuell neu angepasst werden muss und mit dem Horizont driftet. Daher deckt die Planung nur die wenigen Zeitreihen ab, die den Aufwand wert sind, während der Rest auf Sicherheitsbeständen läuft.

Betrachten Sie eine Bedarfsplanerin bei einem Lebensmittelhändler. Ihre Planung reicht bis zum oberen Ende des Katalogs, aber nie bis zum unteren Ende, das als Betriebskapital im Regal liegt. Sie wendet ein gemeinsames Modell auf den gesamten Katalog an: Es funktioniert sofort auf einer ungesehenen Zeitreihe, berücksichtigt Treiber wie Wetter und Werbeaktionen und liefert eine Verteilung statt einer einzelnen Linie zurück. Nichts wird pro SKU (Stock Keeping Unit) aufgebaut, sodass ein Modell eine Modellfabrik ist: eine zweijährige SKU und eine dreimonatige in derselben Aufgabe, ein Start ohne Historie, der von ähnlichen SKUs ausgeht, 100.000 SKUs nächtlich auf der CPU, dasselbe Spiel über Kategorien und Regionen hinweg.

Die Verteilung verwandelt das Servicelevel in eine Richtlinie, die sie klar formulieren kann. Und da jede Vorhersage in einem Topic landet, ist sie ein Auslöser statt eines Berichts: Nachschub wird ausgelöst, Zuteilung und Preisgestaltung lesen dieselben Zahlen, eine Preisreduzierung erfolgt, bevor der Bestand altert, und eine Nachbestellung, bevor das Regal leer ist. Die Ergebnisse landen dort, wo das Geschäft zählt: weniger Fehlbestände und Preisreduzierungen, Kunden, die finden, wonach sie suchen, geschützte Einnahmen im Regal und freigesetztes Betriebskapital, was in der Regel die größte Position im Business Case darstellt.

Anomalieerkennung

Die Anomalieerkennung ist das breiteste Feld, und eine übersehene Anomalie ist selten klein: Bei Betrug ist es das Geld eines Kunden, in der Sicherheit ein Einbruch, im IT-Betrieb ein Ausfall, den Kunden zuerst bemerken, und jeder trifft die Marke ebenso hart wie die Bilanz. Im Finanzdienstleistungssektor ist die regelbasierte Erkennung enumerierbar, sodass Angreifer sie umgehen können, und eine Verschärfung der Regeln führt dazu, dass mehr ehrliche Kunden abgelehnt werden, Einnahmen verloren gehen und Kunden abwandern. Maßgeschneidertes maschinelles Lernen benötigt Labels, die rar und veraltet sind, und Fehlalarme kosten mehr als der eigentliche Betrug.

Stellen Sie sich den Betrugsleiter einer Bank vor: Das Modell pflegt ein Gefühl für das normale Verhalten pro Karte und bewertet jede Zahlung über denselben `AI_DETECT_ANOMALIES`-Aufruf, während sie noch in Bearbeitung ist. Da es auch Vorhersagen trifft, markiert es die Abweichung hin zu Problemen, bevor das Ereignis eintritt. Eine Karte, die zwei Jahre lang Lebensmittel in denselben drei Postleitzahlen gekauft hat, finanziert um 3 Uhr morgens eine Wallet im Ausland, und der Alarm wird ausgelöst, bevor das Geld bewegt wird, während derselbe Kunde im ehrlichen Urlaub unbehelligt bleibt.

Der Schutz beginnt am ersten Tag, da das, was das Modell an anderer Stelle gelernt hat, auf neue Produkte, Korridore und Asset-Typen übertragen wird, ohne dass ein gelabelter Fall vorliegt. Es muss sich auch ständig weiterentwickeln, da der Angreifer dies tut: Betrugsmuster und Angriffssignaturen ändern sich monatlich, sodass das Modell auf dem eigenen Datenstrom der Bank angepasst, bei bestätigten Fällen neu trainiert und kontinuierlich verbessert wird, anstatt jährlich neu aufgebaut zu werden. Und da Bankwesen und Handel immer agentischer werden, wobei Agenten Zahlungen mit Maschinengeschwindigkeit initiieren, verschiebt sich der Rhythmus des Normalzustands und die Volumina steigen, sodass Live-Kontext und In-Flight-Bewertung noch wichtiger werden. Jede Bewertung ermöglicht den nächsten Schritt: die Zahlung blockieren, an einen Analysten mit den ähnlichsten vergangenen Fällen eskalieren, an einen Agenten übergeben.

Dieselbe Technik findet Anwendung, wo immer eine Entität einen Rhythmus hat: IT-Latenz, KPIs von Mobilfunkstandorten, die Temperierlinie aus der Einleitung.

Produktionsoptimierung

Jede Anlage läuft nach einem Modell von sich selbst, und dieses Modell "ehrlich" zu halten, ist schwer: Statistische Modelle driften, regelbasierte Steuerungen halten einen Sollwert, verbessern ihn aber nie, und maßgeschneidertes maschinelles Lernen erklärt nichts, sodass die Optimierung in Pilotprojekten verbleibt und die Anlage mit Margen läuft.

Andrés leitet den Prozess in einer Shampoofabrik, deren Mischanlage Temperatur, Rührgeschwindigkeit, Dosierrate und Viskosität in Confluent streamt. Er wendet ein Foundation-Modell auf den Datenstrom an, und es funktioniert sofort: Monate maßgeschneiderter Modellierung werden zu Tagen, Produktivitätssteigerungen von bis zu 10x, und er passt nur dort an, wo die Linie es erfordert. Konditioniert auf das, was er kontrolliert, wird die Vorhersage zu einem Simulator: Energie bei dieser Mischgeschwindigkeit, Durchsatz bei dieser Temperatur und Dosierrate, Viskosität innerhalb der Spezifikation oder nicht. Ein Optimierer durchsucht diesen Raum nach einem von ihm benannten KPI, respektiert seine Beschränkungen und erklärt, was er empfiehlt, denn eine Empfehlung, die er nicht hinterfragen kann, wird er nicht umsetzen. Andrés ist ein Prozessingenieur, kein Modellierer, und die Person, die die Linie kennt, steuert sie.

Die Optimierung friert nicht bei der Inbetriebnahme ein, sondern optimiert sich neu, wenn sich die Eingaben ändern: Ein Tensidlieferant wechselt, eine Duftstoffcharge verhält sich anders, die Nachfrage verschiebt sich von der 400-ml-Flasche zur Reisegröße, und in diesem Quartal ist das Ziel der Durchsatz statt der Energie. Das Ziel und die Beschränkungen werden neu festgelegt, und die Linie läuft mit dem nächstbesten Sollwert statt dem vom letzten Jahr, ausgehend von den ähnlichsten vergangenen Läufen und deren Korrekturen. Die Gewinne landen in der Währung, die sein CFO verfolgt: ein Punkt bei einem Betrieb, der Hunderte von Millionen umsetzt, ist eine siebenstellige Summe, und ein Lebensmittelhersteller beginnt mit einem Prozess und 400 Fabriken dahinter.

Die Produktionsoptimierung ist der Anker für etwas Größeres: Qualitätsvorhersage und Gerätezustand folgen, und während KI in die Fertigung, Robotik und physikalische Systeme vordringt, ist dies der erste von vielen in einem großen, disruptiven Markt.

Semantische Intelligenz

Jeder der oben genannten Bereiche mündet in dieselbe Frage: Haben wir das schon einmal gesehen? Die Modelle beantworten sie mit Embeddings, kompakten Vektoren, die die Form eines Fensters in Zeit und Frequenz erfassen, sodass zwei Episoden, die ähnlich aussehen, unabhängig von ihrer Skala oder Verschiebung nahe beieinander liegen. Im Datenstrom wird jedes Fenster bei seiner Ankunft eingebettet und mit vergangenen Episoden und deren Ergebnissen abgeglichen, sodass das Ergebnis ein Präzedenzfall und kein Score ist: die Läufe, die so abgewichen sind und was sie behoben hat, die Nachfragekurven, denen eine neue SKU am ähnlichsten ist, die bestätigten Betrugsfälle, die dieser Sitzung ähneln. Dieselben Embeddings treiben Klassifizierung und Lückenschließung an und indexieren den Kontext, den ein Agent abruft, bevor er handelt.

Dies ist erst der Anfang für Zeitreihen. Wie bei Sprachmodellen beschleunigt sich das Tempo: neue Architekturen, neue Datenquellen, agentische und benutzerfreundliche Erfahrungen, die auf den Modellen aufbauen, und mehr davon, das sofort einsatzbereit ist. IBM und Confluent werden weiterhin innovativ sein, wie sie begonnen haben, mit Designpartnern und Kunden an realen Unternehmensanwendungsfällen, um Produktivität, Genauigkeit und Reaktionsfähigkeit in allen Bereichen zu gewährleisten.

Werden Sie Innovationspartner und starten Sie mit Zeitreihenmodellen auf Confluent

Ab sofort im Early Access auf Confluent Cloud verfügbar: Vorhersage und Anomalieerkennung direkt auf Ihren Datenströmen, ohne Modelltraining, Feature Engineering oder KI/ML-Expertise. Confluent Cloud ist der Ausgangspunkt, und Confluent Platform folgt als Nächstes, sodass dieselben Modelle und Funktionen auch On-Premise- und Hybrid-Umgebungen erreichen. Der Feedback-Loop ist der entscheidende Punkt: Was Sie in Ihren eigenen Datenströmen finden, lehrt die Modelle, was sie als Nächstes werden sollen.

• Melden Sie sich für den Early Access an und wenden Sie Vorhersage und Anomalieerkennung auf Ihre Datenströme an, in Ihrer eigenen Umgebung, in direkter Zusammenarbeit mit den IBM- und Confluent-Teams. Ihre Erkenntnisse prägen die nächsten Veröffentlichungen, und es fallen während des Early Access keine Kosten an.
• Dokumentation: AI_FORECAST und AI_DETECT_ANOMALIES auf Confluent Cloud für Apache Flink, plus ein Leitfaden zu Echtzeit-Vorhersage- und Anomalieerkennungsmodellen von den Entwicklern.

Bibliography

- "Real-Time Intelligence with IBM Time Series Models on Confluent". Hugging Face Blog. 2026-09-02T. - Fuller, Nicholas, and Sea. "IBM Granite Time Series models bring real-time forecasting ...". IBM. 2026-09-01T14:32:44.566Z. - "New in Confluent Intelligence and AI Tools: Making Agents ...". Confluent Blog. 2026-08-18T00. - "Demo: Real-Time Forecasting with IBM Granite Time Series Models, Apache Flink, and Apache K". SystemsDigest. - "IBM and Confluent Are Bringing Time-Series AI Into the Real-Time Enterprise—and the Shift C". UnderCode News. 2026-09-02T15:20:03.000Z. - "Foundation models come to time series for real ...". IBM Community. 2026-09-01T14:32:44.566Z. - "New in Confluent Intelligence: Real-Time Context Engine ...". Confluent Blog. 2026-05-19T00:0. - "Granite Time Series | IBM Granite". IBM. https://www.ibm.com/granite/docs/models/time-series. - "Confluent Intelligence: Real-Time AI With Apache Kafka® and Apache Flink®". Confluent. https://www.confluent.io/product/confluent-intelligence/. - "Build AI with Confluent Intelligence in Confluent Cloud | Confluent Documentation". Confluent Docs. https://docs.confluent.io/cloud/current/ai/confluent-intelligence/overview.html.