NVIDIA, 시계열 예측 라이브러리 Kumo Forecast 공개

NVIDIA가 다변량 시계열 데이터를 예측하는 오픈소스 라이브러리 Kumo Forecast를 Apache 2.0 라이선스로 공개했습니다. 이전에 NV-Tesseract Forecasting으로 불렸던 이 모델은 사전 학습된 Transformer와 과거 데이터의 관련 패턴을 가져오는 선택형 검색 시스템을 결합합니다. 기본 인코더는 약 3억 4천만 개의 파라미터를 갖고 MOMENT-1-large 백본을 사용합니다. 코드는 NVIDIA/Kumo-TS에서, 가중치는 nvidia/Kumo-Forecast에서 이용할 수 있습니다.

직접 예측 모드에서는 최근 관측값과 학습된 예측 헤드를 사용해 미래 값을 예측합니다. 도메인 인식 표현 및 검색(DARR) 모드에서는 최근접 이웃 검색 방식으로 과거 데이터의 유사 패턴도 찾은 뒤 직접 예측값과 결합합니다. 개발자는 입력 구간에 최근 관측값을 제공하고 검색용 과거 데이터를 별도의 DataFrame으로 입력할 수 있으며, 설정을 통해 두 경로가 최종 예측에 반영되는 비중을 조정합니다.

학습 과정에서 사전 학습된 인코더와 임베더 가중치는 고정하고 예측 헤드를 학습합니다. 모델이 기본적으로 처리하는 예측 구간보다 긴 예측은 자기회귀 방식으로 확장할 수 있으며, 앞선 예측값을 다음 단계의 입력으로 사용합니다. 라이브러리는 DataFrame 중심 인터페이스와 조정 가능한 예측 구간, 선택형 과거 데이터 맥락을 지원합니다.

선택형 해석 프레임워크는 예측기와 함께 작동하며 별도의 예측 아키텍처를 요구하지 않습니다. 예측 구간마다 시차 및 특성 기여도, 의미 흐름과 궤적 안정성 진단을 제공하고 임베딩 통합 기울기도 선택적으로 지원합니다. NVIDIA는 DARR 접근법을 「Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains」 논문과 연결하고, 설명 프레임워크는 「NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates」 논문과 연결합니다.

Kumo Forecast는 타임스탬프 열과 하나 이상의 값 열을 포함한 숫자 시계열 데이터를 받으며, pandas DataFrame이나 CSV·JSON으로 입력할 수 있습니다. 입력 시퀀스 길이는 256, 512, 1024, 2048개 관측값을 지원합니다. DARR에 제공하는 과거 맥락은 입력 맥락과 비슷한 차원을 가져야 합니다. NVIDIA는 동일한 예측 검증 구간에서 직접 예측과 검색을 더한 설정을 비교하고, 목표 예측 구간과 운영 조건 전반에서 품질을 확인하도록 권고합니다. Kumo-TS 저장소에는 사용자가 제공한 CSV로 모델을 미세 조정하는 예제도 있습니다. Factory Operations(FOX) Blueprint의 예지 정비 데모는 Kumo Anomaly와 Kumo Forecast를 사용해 실시간 데이터를 분석하고 미래 이상을 예측합니다.

NVIDIA가 다변량 시계열 데이터를 예측하는 오픈소스 라이브러리 Kumo Forecast를 Apache 2.0 라이선스로 공개했습니다. 이전에 NV-Tesseract Forecasting으로 불렸던 이 모델은 사전 학습된 Transformer와 과거 데이터의 관련 패턴을 가져오는 선택형 검색 시스템을 결합합니다. 기본 인코더는 약 3억 4천만 개의 파라미터를 갖고 MOMENT-1-large 백본을 사용합니다. 코드는 NVIDIA/Kumo-TS에서, 가중치는 nvidia/Kumo-Forecast에서 이용할 수 있습니다.

직접 예측 모드에서는 최근 관측값과 학습된 예측 헤드를 사용해 미래 값을 예측합니다. 도메인 인식 표현 및 검색(DARR) 모드에서는 최근접 이웃 검색 방식으로 과거 데이터의 유사 패턴도 찾은 뒤 직접 예측값과 결합합니다. 개발자는 입력 구간에 최근 관측값을 제공하고 검색용 과거 데이터를 별도의 DataFrame으로 입력할 수 있으며, 설정을 통해 두 경로가 최종 예측에 반영되는 비중을 조정합니다.

학습 과정에서 사전 학습된 인코더와 임베더 가중치는 고정하고 예측 헤드를 학습합니다. 모델이 기본적으로 처리하는 예측 구간보다 긴 예측은 자기회귀 방식으로 확장할 수 있으며, 앞선 예측값을 다음 단계의 입력으로 사용합니다. 라이브러리는 DataFrame 중심 인터페이스와 조정 가능한 예측 구간, 선택형 과거 데이터 맥락을 지원합니다.

선택형 해석 프레임워크는 예측기와 함께 작동하며 별도의 예측 아키텍처를 요구하지 않습니다. 예측 구간마다 시차 및 특성 기여도, 의미 흐름과 궤적 안정성 진단을 제공하고 임베딩 통합 기울기도 선택적으로 지원합니다. NVIDIA는 DARR 접근법을 「Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains」 논문과 연결하고, 설명 프레임워크는 「NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates」 논문과 연결합니다.

Kumo Forecast는 타임스탬프 열과 하나 이상의 값 열을 포함한 숫자 시계열 데이터를 받으며, pandas DataFrame이나 CSV·JSON으로 입력할 수 있습니다. 입력 시퀀스 길이는 256, 512, 1024, 2048개 관측값을 지원합니다. DARR에 제공하는 과거 맥락은 입력 맥락과 비슷한 차원을 가져야 합니다. NVIDIA는 동일한 예측 검증 구간에서 직접 예측과 검색을 더한 설정을 비교하고, 목표 예측 구간과 운영 조건 전반에서 품질을 확인하도록 권고합니다. Kumo-TS 저장소에는 사용자가 제공한 CSV로 모델을 미세 조정하는 예제도 있습니다. Factory Operations(FOX) Blueprint의 예지 정비 데모는 Kumo Anomaly와 Kumo Forecast를 사용해 실시간 데이터를 분석하고 미래 이상을 예측합니다.