IBM ha lanzado un ensemble de predicción de series temporales basado en cuatro modelos preentrenados de la familia Granite, diseñado para ofrecer predicciones probabilísticas sin necesidad de reentrenamiento en conjuntos de datos específicos. Esta herramienta, disponible a través de Hugging Face, combina arquitecturas complementarias como Patched Transformer, Conformer, modelos de espacio de estados y Tiny Time Mixers para generar predicciones de punto y cuantiles. El objetivo es reducir la incertidumbre en la selección del modelo adecuado para diferentes tipos de datos, como señales industriales suaves o la demanda retail ruidosa.
El sistema ofrece dos recetas principales: el Ensemble Probabilístico, que asigna igual influencia a cada modelo, y el Ensemble IQR, que ajusta los pesos según la dispersión de las predicciones de cada miembro. Ambas recetas evitan el ajuste de hiperparámetros, permitiendo una implementación rápida y sin sesgo. En pruebas realizadas con el conjunto de datos GIFT-Eval, el ensemble probabilístico logró un MASE de 0.683 y un CRPS de 0.471, superando a varios de sus miembros individuales, aunque el rendimiento varía según la complejidad de la serie temporal. La herramienta está orientada a profesionales de la data science que buscan un enfoque robusto y escalable para la predicción de demanda y señales de producción.