Hugging Face je 22. oktobra 2026. objavio Granite Timeseries Ensemble — recept koji kombinuje četiri prethodno naučena IBM Granite modela u jednu probabilističku prognozu bez potrebe za dodatnim treniranjem ili podešavanjem težina. Recept uklanja potrebu da korisnik unaprijed bira najbolju arhitekturu: svi članovi daju kvantilne i tačne (point) prognoze, a zadana metoda kombinovanja je Probabilistic Ensemble koja svakom članu daje jednaku težinu.
Zadani skup članova sadrži četiri komplementarne arhitekture: PatchTST-FM-r1 (patched transformer), PatchTST-FM-r2 (patched conformer), FlowState-r1.1 (state-space model) i TTM-r3 (mali MLP mixer). Alternativna metoda IQR Ensemble adaptivno teži članove na osnovu širine njihovih interkvartilnih intervala; ova metoda približno izračunava IQR iz dostupnih kvantila i može smanjiti utjecaj širokih (nesigurnih) prognoza, ali i ne mora favorizirati bolje kalibrirane članove.
U evaluaciji na GIFT-Eval benchmarku (rezultati iz 20. oktobra 2026.), oba recepta su u prosjeku nadmašila pojedinačne članove po MASE i prosječnom rangu. Probabilistic Ensemble je imao najniži agregirani MASE među prikazanim modelima (0.683), dok je PatchTST-FM-r2 zabilježio najbolji agregirani CRPS/MWQL. Autori ističu da je dobitak u MASE malen, pa je primarna korist veća robusnost: bez odabira pojedinačne arhitekture korisnik dobiva konzistentne početne rezultate preko raznih konfiguracija podataka.
Recept se može odmah instalirati i koristiti iz Hugging Face repozitorija (ibm-granite/granite-timeseries-ensemble-r1). Recept pohranjuje konfiguraciju, a pri prvom pokretanju preuzima četiri checkpointa članova, što može potrajati. Dokumentacija i model card sadrže dodatne detalje, ograničenja i licence — neki IBM-ovi checkpointi u proširenim receptima mogu imati nekomercijalne ili istraživačke restrikcije, pa autori preporučuju provjeru model cardova prije upotrebe.
ŠTA OVO ZNAČI?
Za praktičnu upotrebu: recept omogućava brzo dobijanje medijanskih i kvantilnih prognoza iz četiri različita modela bez dodatnog treniranja, što olakšava početnu evaluaciju na vlastitim serijama podataka. Učinak i kalibracija ipak ovise o vrsti serije i horizontu prognoze, pa autori preporučuju backtestove na reprezentativnim prozorima, usporedbu Probabilistic i IQR recepata te praćenje metrika i troškova (vrijeme izvršavanja i memorija) prije proizvodne upotrebe.
Izvor: Hugging Face · 2026-10-22
Ilustracija: COIN.BA
