IBM Granite : prévision par ensemble pour les séries temporelles
22 octobre 2026 · IA · IBM
IBM Research publie une recette d'ensemble open-source combinant quatre modèles Granite de séries temporelles (PatchTST-FM-r1/r2, FlowState-r1.1, TTM-r3) pour la prévision sans fine-tuning. Deux méthodes d'agrégation sont proposées : l'Ensemble Probabiliste (poids uniformes) et l'Ensemble IQR (poids adaptatifs). Évalué sur 97 configurations GIFT-Eval, l'ensemble surpasse tous ses membres individuels sur MASE et se classe 3e parmi les systèmes éligibles. L'approche élimine le besoin de choisir manuellement le meilleur modèle pour chaque série temporelle.
Impact marchés
Secteur IA/MLOps et forecasting industriel. IBM directement concerné. Concurrence avec des outils de prévision comme ceux de Salesforce, Google DeepMind ou Amazon sur le marché des modèles de séries temporelles fondationnels.
Opportunités
Opportunité pour les entreprises adoptant des modèles fondationnels de séries temporelles sans coût de fine-tuning. Risque limité : marge d'amélioration faible sur MASE vs meilleur membre individuel, et CRPS non optimal pour l'ensemble probabiliste.