IBM과 Confluent는 2026년 9월 2일 IBM Granite Time Series 모델이 Confluent Cloud에서 Early Access로 제공되기 시작했으며, Confluent Platform 지원은 다음 단계로 계획돼 있다고 밝혔다. 두 회사는 이 서비스가 스트리밍 비즈니스 데이터가 이미 이동하는 위치에서 실행되며, Confluent Cloud on AWS에서 시작한다고 설명했다. 이에 따라 팀들은 별도 ML 스택을 구축하지 않고 Apache Flink SQL에서 예측과 이상 탐지 모델을 호출할 수 있다.

IBM은 시계열 파운데이션 모델(여러 순차 신호로 학습한 모델)이 다음 값을 예측하고, 정상 패턴을 벗어난 동작을 감지하며, 과거의 유사 이벤트를 찾고, 목표에 맞춰 설정을 최적화할 수 있다고 밝혔다. IBM은 이 모델을 먼저 자사 제품과 운영 환경에서 시험한 뒤 시멘트, 철강, 펄프·제지, 식품, 통신 분야의 디자인 파트너들과 검증했다고 설명했다. 회사는 모델 다운로드가 44M+에 이른다고 밝혔고, 일부 환경에서는 정확도 1포인트마다 수백만 달러 가치가 있으며 생산성 향상은 5 to 10×라고 주장했다.

Confluent Cloud는 네이티브 추론을 제공하므로 IBM Granite Time Series 모델은 Confluent의 Apache Flink 안에서 직접 실행될 수 있다. 원문에 따르면 이 방식은 시계열 데이터를 별도 ML 플랫폼이나 데이터 웨어하우스로 추출하는 과정을 피하고, 제공업체 자격 증명과 파이프라인 연결 작업을 줄이며, 추론 결과를 Kafka 토픽에 써서 경보 시스템, 대시보드, 레이크하우스, AI 에이전트가 활용하게 한다. Confluent는 스키마, 계보, 접근 제어가 추론 파이프라인에도 적용되고, Kafka 토픽은 감사와 재실행을 위해 내구성과 재생 가능성을 유지하며, 데이터는 RBAC와 개인정보 보호 정책 아래 Confluent Cloud 안에 머문다고 밝혔다. 또한 팀들은 SQL을 사용해 스트리밍 데이터에서 작동하는 예측 및 이상 탐지 파이프라인까지 몇 분 안에 이동할 수 있다고 설명했다.

Early Access 포트폴리오는 Confluent의 기존 AI_FORECAST 및 AI_DETECT_ANOMALIES Flink SQL 함수로 호출되는 4개의 상호 보완적 시계열 파운데이션 모델로 구성된다. 사용자는 하나의 SQL 매개변수로 모델을 바꿀 수 있으며, 예시 쿼리는 model을 ttm으로, horizon을 12로 설정한다. PatchTST-FM은 시계열을 패치 단위로 읽고 전체 분포를 반환하며, 재주문 지점에는 90th percentile을 사용할 수 있다. FlowState는 모든 지점마다 갱신되는 실행 요약을 유지하고, 초 단위 SCADA와 시간 단위 시장 데이터 같은 연속시간 데이터를 처리한다. TTM은 시간 방향과 변수 간에 작은 믹싱 네트워크를 사용해 million-parameter 모델 하나가 CPU에서 매일 밤 hundred thousand개 시리즈를 처리할 수 있게 한다. TSPulse는 이상 탐지, 분류, 결측값 채우기, 유사도 검색을 위해 시간 관점과 주파수 관점을 결합한다.

원문은 활용 사례로 소매 계획, 사기 탐지, 공장 최적화를 제시했다. 식료품 기획자는 하나의 공유 모델을 전체 카탈로그에 적용하고, 날씨와 프로모션을 활용하며, two-year SKU와 three-month SKU를 같은 작업에서 처리하고, 100,000개 SKU를 매일 밤 CPU에서 실행할 수 있다. 은행 사기 탐지팀은 각 결제가 진행 중일 때 점수를 매길 수 있으며, 예시는 2년 동안 같은 3개 우편번호 지역에서 식료품을 산 카드가 3am에 해외 지갑에 자금을 보내는 상황을 설명한다. 샴푸 공장의 공정 엔지니어는 온도, 교반기 속도, 투입 속도, 점도를 Confluent로 스트리밍해 수개월 걸리던 맞춤형 모델링을 며칠로 줄이고, 원문에 따르면 최대 10×의 생산성 향상에 도달할 수 있다.

IBM과 Confluent는 2026년 9월 2일 IBM Granite Time Series 모델이 Confluent Cloud에서 Early Access로 제공되기 시작했으며, Confluent Platform 지원은 다음 단계로 계획돼 있다고 밝혔다. 두 회사는 이 서비스가 스트리밍 비즈니스 데이터가 이미 이동하는 위치에서 실행되며, Confluent Cloud on AWS에서 시작한다고 설명했다. 이에 따라 팀들은 별도 ML 스택을 구축하지 않고 Apache Flink SQL에서 예측과 이상 탐지 모델을 호출할 수 있다.

IBM은 시계열 파운데이션 모델(여러 순차 신호로 학습한 모델)이 다음 값을 예측하고, 정상 패턴을 벗어난 동작을 감지하며, 과거의 유사 이벤트를 찾고, 목표에 맞춰 설정을 최적화할 수 있다고 밝혔다. IBM은 이 모델을 먼저 자사 제품과 운영 환경에서 시험한 뒤 시멘트, 철강, 펄프·제지, 식품, 통신 분야의 디자인 파트너들과 검증했다고 설명했다. 회사는 모델 다운로드가 44M+에 이른다고 밝혔고, 일부 환경에서는 정확도 1포인트마다 수백만 달러 가치가 있으며 생산성 향상은 5 to 10×라고 주장했다.

Confluent Cloud는 네이티브 추론을 제공하므로 IBM Granite Time Series 모델은 Confluent의 Apache Flink 안에서 직접 실행될 수 있다. 원문에 따르면 이 방식은 시계열 데이터를 별도 ML 플랫폼이나 데이터 웨어하우스로 추출하는 과정을 피하고, 제공업체 자격 증명과 파이프라인 연결 작업을 줄이며, 추론 결과를 Kafka 토픽에 써서 경보 시스템, 대시보드, 레이크하우스, AI 에이전트가 활용하게 한다. Confluent는 스키마, 계보, 접근 제어가 추론 파이프라인에도 적용되고, Kafka 토픽은 감사와 재실행을 위해 내구성과 재생 가능성을 유지하며, 데이터는 RBAC와 개인정보 보호 정책 아래 Confluent Cloud 안에 머문다고 밝혔다. 또한 팀들은 SQL을 사용해 스트리밍 데이터에서 작동하는 예측 및 이상 탐지 파이프라인까지 몇 분 안에 이동할 수 있다고 설명했다.

Early Access 포트폴리오는 Confluent의 기존 AI_FORECAST 및 AI_DETECT_ANOMALIES Flink SQL 함수로 호출되는 4개의 상호 보완적 시계열 파운데이션 모델로 구성된다. 사용자는 하나의 SQL 매개변수로 모델을 바꿀 수 있으며, 예시 쿼리는 model을 ttm으로, horizon을 12로 설정한다. PatchTST-FM은 시계열을 패치 단위로 읽고 전체 분포를 반환하며, 재주문 지점에는 90th percentile을 사용할 수 있다. FlowState는 모든 지점마다 갱신되는 실행 요약을 유지하고, 초 단위 SCADA와 시간 단위 시장 데이터 같은 연속시간 데이터를 처리한다. TTM은 시간 방향과 변수 간에 작은 믹싱 네트워크를 사용해 million-parameter 모델 하나가 CPU에서 매일 밤 hundred thousand개 시리즈를 처리할 수 있게 한다. TSPulse는 이상 탐지, 분류, 결측값 채우기, 유사도 검색을 위해 시간 관점과 주파수 관점을 결합한다.

원문은 활용 사례로 소매 계획, 사기 탐지, 공장 최적화를 제시했다. 식료품 기획자는 하나의 공유 모델을 전체 카탈로그에 적용하고, 날씨와 프로모션을 활용하며, two-year SKU와 three-month SKU를 같은 작업에서 처리하고, 100,000개 SKU를 매일 밤 CPU에서 실행할 수 있다. 은행 사기 탐지팀은 각 결제가 진행 중일 때 점수를 매길 수 있으며, 예시는 2년 동안 같은 3개 우편번호 지역에서 식료품을 산 카드가 3am에 해외 지갑에 자금을 보내는 상황을 설명한다. 샴푸 공장의 공정 엔지니어는 온도, 교반기 속도, 투입 속도, 점도를 Confluent로 스트리밍해 수개월 걸리던 맞춤형 모델링을 며칠로 줄이고, 원문에 따르면 최대 10×의 생산성 향상에 도달할 수 있다.