주요 내용 (TL;DR)
NVIDIA Kumo Forecast(이전 명칭: NV-Tesseract Forecasting)는 사전 학습된 Transformer 백본과, 직접적인 모델 예측과 과거 데이터에서 검색된 패턴을 결합하는 컨텍스트 강화 예측 모드인 Domain-Aware Representation and Retrieval(DARR)을 결합한 다변량 시계열 예측 모델입니다. 여기에는 결과의 해석 가능성도 포함됩니다. MOMENT-1-large 백본을 기반으로 구축된 Kumo Forecast는 약 340-million-parameter 규모의 기본 인코더와 학습 가능한 예측 헤드를 사용합니다.
이 라이브러리는 DataFrame 우선 API, 구성 가능한 예측 호라이즌, 검색을 위한 선택적 과거 컨텍스트, 그리고 기본 예측기를 수정하지 않고 호라이즌별 설명을 생성하는 해석 가능성 프레임워크를 제공합니다.
Kumo-Forecast는 다음 라이선스로 제공됩니다 Apache 2.0 license.
모델 코드: NVIDIA/Kumo-TS
모델 가중치: nvidia/Kumo-Forecast
컨텍스트 강화 시계열 예측으로의 전환
예측 시스템은 두 가지 서로 다른 정보원, 즉 사전 학습 중 학습된 표현과 현재 애플리케이션에서 활용 가능한 과거 관측치를 활용할 수 있습니다. Kumo-Forecast는 사전 학습된 예측 모델과 과거 컨텍스트에 대한 선택적 검색 경로를 통해 이 둘을 결합합니다.
직접 예측 경로에서 Kumo-Forecast는 MOMENT 기반 Transformer와 학습된 예측 헤드를 사용하여 미래 값을 예측합니다. Domain Aware Representation and Retrieval (DARR) 모드에서는 최근접 이웃 방식을 사용하여 과거 데이터에서 유사한 패턴을 검색하고, 그 정보를 직접 예측과 결합합니다.
이를 통해 모델의 입력 윈도우와 검색 컨텍스트가 구분됩니다. 입력 윈도우는 예측을 위한 최근 관측치를 제공하고, 별도의 과거 DataFrame이 패턴 검색을 위한 추가 컨텍스트를 제공할 수 있습니다. 개발자는 라이브러리의 구성 옵션을 통해 최종 예측이 각 경로에 의존하는 정도를 조절할 수 있습니다.
DARR 모드에 대한 자세한 내용은 발표된 이 논문에서 확인할 수 있습니다, 메모리 증강 예측: 시간 도메인 전반에 걸친 확장성 및 일반화
Kumo Forecast의 작동 방식
Kumo-Forecast는 네 가지 주요 구성 요소를 결합합니다: 사전 학습된 시간적 인코더, 학습 가능한 예측 헤드, 과거 패턴 검색 메커니즘, 그리고 해석 가능성 프레임워크.
사전 학습된 시간적 표현: 이 모델은 MOMENT-1-large Transformer 인코더를 백본으로 사용합니다. 아키텍처는 인코더와 임베더 가중치를 동결한 상태로 예측 헤드를 학습시켜, 사전 학습된 표현 모델과 작업별 예측 레이어를 분리합니다.
직접 예측: 예측 헤드는 모델의 표현을 요청된 호라이즌의 미래 값으로 매핑합니다. 모델의 기본 능력을 초과하는 호라이즌의 경우 자기회귀 확장을 지원합니다. 이를 통해 직접 생성된 예측과 예측을 재귀적으로 확장한 더 긴 예측을 구별합니다.
Domain-Aware Representation and Retrieval: DARR은 과거 컨텍스트 데이터에서 k-최근접 이웃 검색을 통해 직접 예측을 보강합니다. 이 과정은 직접 예측과 과거 패턴 검색을 결합하며, SDK는 별도의 context_df 인수를 통해 과거 컨텍스트를 받아들입니다.
해석 가능성: Kumo-Forecasting은 모델에 구애받지 않는 해석 가능성 프레임워크도 포함합니다. 활성화하면 예측 호라이즌별 지연(lag) 및 특성 기여도, 시맨틱 흐름 진단, 궤적 안정성 진단, 그리고 선택적으로 임베딩 Integrated Gradients를 포함하는 설명 번들을 생성합니다. 이러한 출력은 예측과 함께 제공되며 다른 예측 아키텍처를 요구하지 않습니다.
해석 가능성에 대한 자세한 내용은 이 논문에서 확인할 수 있습니다, NVExplain: 잠재 궤적 분석 및 구조 보존 서로게이트를 통한 시계열 예측 설명
제한 사항
데이터는 수치형 시간 데이터여야 합니다. 지원되는 입력 시퀀스 길이는 256, 512, 1024, 2048 관측치입니다. 입력은 타임스탬프 열과 하나 이상의 수치 값 열로 구성되며, pandas DataFrame 또는 CSV/JSON 입력으로 표현됩니다. DARR 모드를 활용할 때는 컨텍스트의 차원이 입력의 컨텍스트와 유사해야 합니다.
데모: 예지 정비 (Predictive Maintenance)
The Factory Operations (FOX) Blueprint 에는 Kumo Anomaly와 Kumo Forecast를 활용하는 예지 정비(Predictive Maintenance) 모듈에 대한 얼리 액세스가 포함되어 있습니다. 이 모듈은 실시간 데이터를 분석하여 미래의 이상 현상을 예측합니다.
데모: 플랫폼 통합
아래 이미지를 클릭하시면 GTC San Jose 2026 세션에 접속할 수 있습니다
Kumo Forecast로 빌드 시작하기
애플리케이션별 평가를 위해, 동일한 홀드아웃 예측(held-out forecasting) 윈도우에서 직접(direct) 구성과 검색 강화(retrieval-enhanced) 구성을 비교하십시오. NVIDIA의 사용 사례별 테스트 요구 사항에 부합하도록, 의도된 예측 범위와 운영 조건 전반에 걸쳐 예측 품질을 검증하십시오
모델 코드: NVIDIA/Kumo-TS
모델 가중치: nvidia/Kumo-Forecast
Kumo-TS 저장소는 또한 사용자가 제공한 CSV로 Kumo-Forecast를 파인튜닝하는 예제를 제공합니다. 따라서 개발자는 사전 학습된 추론 워크플로우와 모델을 자신의 데이터에 적용하기 위한 문서화된 출발점을 모두 갖추게 됩니다.