IBM lanza Granite, un modelo de IA para predecir series

IBM ha publicado Granite Time Series PatchTST-FM-r2, un modelo de IA capaz de hacer pronósticos sobre datos que no ha visto durante su entrenamiento. Puede servir para anticipar demanda, consumo energético, tráfico, precios, sensores o uso de servidores sin crear un modelo diferente para cada caso.

La clave es el pronóstico zero-shot: basta con proporcionarle el historial reciente de una serie temporal, es decir, una secuencia de datos ordenados por tiempo, para que genere una predicción. No hace falta ajustarlo previamente con los datos de cada empresa.

Un modelo abierto con buenos resultados

Según IBM, el modelo ocupa el segundo puesto entre los modelos zero-shot replicables del benchmark GIFT-Eval, con datos publicados el 8 de septiembre de 2026. En esta comparación, las puntuaciones más bajas indican un mejor resultado.

• Obtuvo un CRPS de media geométrica de 0,467, una métrica que evalúa la calidad de las predicciones y su incertidumbre.
• Logró un MASE de 0,6846, que compara el error del modelo con el de un método de referencia.
• Es el modelo mejor situado de esa categoría entre los que usan licencias permisivas y aptas para uso comercial.

Cuando se incluyen también modelos que pudieron haber visto durante el entrenamiento parte de los conjuntos de datos evaluados, PatchTST-FM-r2 queda tercero en CRPS y cuarto en MASE. El resultado es relevante, pero no significa que sea el mejor modelo en cualquier escenario o tipo de datos.

El modelo tiene unos 385 millones de parámetros, admite historiales de hasta 8.192 pasos y puede producir predicciones para distintas longitudes futuras. También genera hasta 99 cuantiles, que permiten representar varios escenarios posibles y construir intervalos de incertidumbre en lugar de devolver una única cifra.

Qué cambia frente a la versión anterior

IBM ha rediseñado parte de la arquitectura de PatchTST-FM-r1. La nueva versión combina dos formas de analizar una serie temporal:

• La atención, que detecta relaciones entre puntos alejados en el tiempo.
• Las convoluciones temporales, que capturan patrones locales y cambios cercanos.

Esta combinación, conocida como arquitectura conformer, puede ayudar al modelo a distinguir entre tendencias largas y comportamientos de corto plazo. También utiliza fragmentos solapados de la serie para suavizar las transiciones entre predicciones.

Además, PatchTST-FM-r2 permite rellenar valores ausentes y ofrece tanto predicciones puntuales como distribuciones de posibles resultados. En la práctica, podría estimar no solo que la demanda será de 10.000 unidades, sino también qué rango de valores resulta razonable.

Datos y licencia

IBM ha documentado las fuentes usadas para el entrenamiento. Incluyen conjuntos seleccionados de GIFT-Eval, datos sintéticos creados con distintos métodos y unas 500.000 secuencias sintéticas de 4.096 pasos.

La transparencia no elimina la necesidad de revisar el modelo antes de usarlo en una empresa, especialmente en sectores regulados. Sí permite evaluar mejor qué datos se emplearon y si existe riesgo de contaminación con los conjuntos utilizados en las pruebas.

Los pesos, la arquitectura, el sistema de inferencia y el código para reproducir los resultados están disponibles públicamente. El modelo se distribuye con una doble licencia: Apache 2.0 y OpenMDW 1.0. Las organizaciones pueden elegir una de las dos, ambas con permisos amplios para usar, modificar y distribuir el modelo.

Para qué sirve en la práctica

El equipo de desarrollo puede cargar el modelo desde Hugging Face, pasarle los últimos datos de una métrica y pedir una predicción sin entrenar nada desde cero. Eso reduce el trabajo inicial para casos como:

• Prever ventas o inventario.
• Estimar la carga de una red eléctrica.
• Anticipar tráfico o volumen de transacciones.
• Detectar patrones anómalos en sensores y servidores.
• Completar tramos de datos que faltan.

También puede utilizarse con datos que llegan de forma continua. IBM y Confluent ofrecen algunos modelos Granite Time Series en un programa de acceso anticipado dentro de Confluent Cloud, donde las predicciones y la detección de anomalías se ejecutan sobre flujos de datos en tiempo real mediante Apache Flink.

Para ti, la diferencia principal es que este tipo de modelo reduce la necesidad de construir y mantener una solución específica para cada serie temporal. Lo que habrá que comprobar ahora es cómo se comporta con datos reales de cada organización, porque un buen resultado en un benchmark no sustituye las pruebas con el historial, el ritmo de actualización y los errores propios de cada negocio.