Alisina NawabiIBM brengt Granite Time Series PatchTST-FM-r2 uit als open model voor zero-shot tijdreeksvoorspellingen, meldt IBM Research, met gewichten onder Apache 2.0 of OpenMDW 1.0.
Voor een Nederlandse ondernemer die vraag, voorraad, energielasten of bezetting voorspelt, verschuift de keuze van een externe voorspel-API naar een model dat in eigen infrastructuur kan draaien. Per nieuwe tijdreeks is geen apart model of maatwerktraining nodig. Daar komen wel hardware, versiebeheer en onderhoud voor terug. Bij een retailer kan zo’n model te ruime voorraad en lege bestseller-schappen in dezelfde planning zichtbaar maken.
Wat IBM vrijgeeft
De release is op 9 september 2026 gepubliceerd. PatchTST-FM-r2 is een model van ongeveer 385 miljoen parameters voor vraag, prijzen, energielasten, verkeer, telemetrie en andere tijdreeksen. Het model maakt voorspellingen zonder fine-tuning of taakgerichte training en kan ontbrekende waarden aanvullen.
De release bevat een contextlengte tot 8.192 stappen, flexibele voorspelperioden en 99 kwantielen. Die kwantielen geven naast een puntschatting ook bandbreedtes voor onzekerheid. Dat is relevant voor bijvoorbeeld een veiligheidsvoorraad of een capaciteitsplanning, waar één getal te weinig informatie geeft. De gewichten, de architectuur, de inferentiepijplijn en de code om de benchmark te reproduceren staan openbaar. Onder de motorkap vervangt r2 standaard transformerblokken door conformerblokken, die lokale patronen via convolutie combineren met langere verbanden via aandacht. Het model telt 30 blokken, tegenover 20 in de vorige versie.
De Python-pijplijn staat in IBM’s officiële TSFM-repository met notebooks en hulpprogramma’s voor tijdreeksmodellen. De release gebruikt granite-tsfm versie 0.3.9 of hoger. Een eerste proef kan daardoor op eigen historische data beginnen, zonder eerst een apart voorspelmodel voor elke dataset te trainen.
IBM beschrijft ook de pretraining. Die bestaat uit vier bronnen: geselecteerde datasets uit GiftEvalPretrain, synthetische data op basis van KernelSynth, TSMixup-data buiten de GIFT-Eval-evaluatieset en ongeveer 500.000 synthetische CauKer-reeksen van elk 4.096 waarden. Die documentatie helpt bij modelgovernance, al vervangt ze geen eigen controle op data, licentie en prestaties.
Tweede op GIFT-Eval
Op GIFT-Eval staat PatchTST-FM-r2 op nummer twee voor zowel CRPS als MASE binnen de replicabele zero-shotmodellen. De releasepost meldt een geometrisch gemiddelde CRPS van 0,467 en een geometrisch gemiddelde MASE van 0,6846; voor beide maatstaven geldt: lager is beter.
De rangorde heeft een duidelijke begrenzing. De modelkaart dateert de meting op 31 augustus 2026, terwijl de releasepost dezelfde positie vermeldt per 8 september. De modelkaart vermeldt ook dat de resultaten nog in een ingediende pull request bij GIFT-Eval staan. Als ook modellen meetellen die met benchmarkdata zijn voorgetraind, staat PatchTST-FM-r2 op plaats drie voor CRPS en vier voor MASE. De nummer twee is dus een specifieke vergelijking, geen algemene garantie voor elke bedrijfsreeks.
Lokale controle, eigen beheer
De licentiekeuze is het andere concrete deel van de release. Gebruikers kunnen kiezen tussen Apache 2.0 en OpenMDW 1.0. Beide geven ruime rechten om het model te gebruiken, aan te passen en te verspreiden.
Wie de inferentie zelf draait, kan ruwe tijdreeksen binnen de eigen infrastructuur houden en de modelversie zelf vastzetten. De IBM-public repository-disclosure laat tegelijk weten dat IBM geen verbeteringen, updates of ondersteuning verplicht is. De juridische drempel wordt dus lager, maar testen, beveiliging, monitoring en een updatepad worden een eigen operationele taak.
Dat verschil valt op naast Google TimesFM-3, waarvan de gewichten commercieel gebruik uitsluiten. Beide modellen beloven voorspellen zonder voorafgaande modelspecifieke training. Bij Granite komt daar nu een commercieel permissieve licentieroute bij, terwijl de organisatie zelf moet bepalen of lokale rekenkracht en beheer opwegen tegen een beheerde dienst.
De release verlaagt daarmee vooral de eerste drempel voor forecasting. De uiteindelijke waarde blijft afhangen van de kwaliteit van de historische data, de validatie tegen echte bedrijfsuitkomsten en de discipline waarmee een organisatie het model beheert. Open gewichten maken een lokale forecastoptie mogelijk, maar maken forecasting niet vanzelf bedrijfsklaar.
Veelgestelde vragen
Voorspellen met eigen data
Ik help je de datastromen voor forecasting op orde te brengen en ontwerp, bouw en automatiseer de hele keten, self-hosted waar dat kan. Van eerste verkenning tot een live systeem dat je team kan beheren.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
