Aller au contenu principal
Outils · Outil ·

Raisonner sur des séries temporelles avec OpenTSLM sur Amazon SageMaker JumpStart

Aionic Labs, qui développe des modèles de fondation temporels, rend disponible OpenTSLM, une famille open source de modèles de langage pour séries temporelles (TSLM), dans Amazon SageMaker JumpStart. Les entreprises peuvent ainsi les déployer dans leur propre environnement AWS. Ces modèles interprètent des mesures opérationnelles, des données de capteurs d'équipement à l'offre et la demande, en les associant à du contexte textuel : relevés de maintenance, actualités de marché, observations d'un ingénieur. Un expert peut ensuite poser des questions de suivi pour comprendre ce qui a changé et décider de la réponse à apporter. Aionic Labs propose aussi TimeNet, une infrastructure de données partagée qui offre un format et une API uniques pour trouver, construire et charger les jeux de données servant à entraîner et évaluer ces modèles. Un cas concret est celui de Nexthink, dont l'agent informatique personnel Spark s'appuie sur un TSLM pour fournir une assistance proactive : le modèle reçoit l'activité du processeur, l'usage mémoire, l'espace disque disponible, la stabilité des applications et la connectivité, ainsi que des événements horodatés et le contexte matériel et logiciel de l'appareil.

2 min de lecture

Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie

Source

Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →

Pour les organisations, l'enjeu est de transformer des volumes croissants de données en décisions. Interpréter ces mesures exige aujourd'hui du temps de spécialistes, et en collecter davantage ne signifie pas pouvoir agir plus vite. Les modèles de langage généralistes comme Claude ou ChatGPT peuvent analyser des données, mais leur faire traiter de longs historiques portant sur des centaines de métriques, sous forme de texte ou d'images, consomme un grand nombre de jetons et fait grimper les coûts. Chez Nexthink, le TSLM produit trois sorties pour Spark : un résumé de l'état qui explique le problème probable et les signaux qui l'étayent, une action recommandée avec les vérifications à effectuer, et le résultat attendu avec la façon de le contrôler. Dans l'exemple illustratif d'un disque presque plein, le modèle relie la baisse de l'espace libre, l'allongement de la file d'attente du disque et la multiplication des blocages applicatifs aux symptômes ressentis, comme un ordinateur lent ou des difficultés à enregistrer des fichiers. Spark vérifie l'espace restant, montre à l'employé les fichiers temporaires qu'il propose de supprimer selon un nettoyage validé par l'informatique, attend sa confirmation, exécute l'opération puis vérifie le résultat. Si le problème persiste, il transmet ses constats au support.

Cette annonce s'inscrit dans une volonté de bâtir un poste de travail numérique où les employés reçoivent de l'aide avant même d'en faire la demande. Nexthink et Aionic Labs travaillent dans cette direction, et les mêmes principes visent d'autres secteurs comme l'industrie manufacturière, l'énergie et les produits connectés, où les mesures et leur contexte doivent déboucher sur des explications et des décisions éclairées. Les usages vont de la prévention des arrêts de production au diagnostic de pannes de véhicules, en passant par l'analyse des baisses de performance de centres de données ou l'ajustement des prix selon l'offre et la demande. La disponibilité sur SageMaker JumpStart abaisse la barrière au déploiement, et TimeNet permet d'adapter et d'évaluer les modèles sur des données propres à chaque entreprise. La suite dépendra de la capacité de ces modèles spécialisés à s'imposer face aux modèles généralistes, notamment sur le coût et la fiabilité des recommandations.

À lire ensuite

01Déployer et évaluer des modèles avec Amazon SageMaker JumpStartAWS ML BlogOutils 02OpenFold3 sur Amazon SageMaker JumpStart : prédire les structures biomoléculairesAWS ML BlogOutils 03Amazon SageMaker JumpStart : bilan des neuf premiers mois de 2026AWS ML BlogOutils 
Dossier · AWSSuivi en continu par Le Fil IASuivre ce sujet →

Le brief du matin

L'essentiel de l'IA chaque jour. Gratuit, désinscription immédiate à tout moment.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription à tout moment

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.