INTELIGÊNCIA ARTIFICIAL. PENSAMENTO CRÍTICO.Acompanhe por RSS
AnálisesANÁLISE COM FONTES

Granite Timeseries Ensemble ou Kumo Relational: qual avaliar para seus dados?

Granite combina modelos para séries temporais; Kumo prevê sobre tabelas relacionadas. Veja requisitos, limites, licenças e como avaliar cada abordagem.

EM POUCAS LINHAS

  • A escolha começa pela estrutura dos dados e pela tarefa, não pelas notas divulgadas.
  • Granite combina previsões de séries sem ajustar os pesos da receita padrão.
  • Kumo usa relações entre tabelas e exemplos históricos com resultados conhecidos.
  • Benchmarks, custos operacionais e licenças exigem verificações separadas.

A pergunta prática não é qual dos dois modelos vence, mas onde está a informação necessária para prever. Se o problema é extrapolar o histórico de uma série, o Granite Timeseries Ensemble é um ponto de partida. Se o resultado depende de ligações entre entidades, eventos e tabelas, vale examinar o Kumo Relational. Nenhuma das publicações demonstra que uma abordagem substitui a outra no mesmo problema, nem comprova desempenho em bases brasileiras.

O que foi anunciado — e quando

A publicação da IBM Research sobre o Granite é datada de 22 de outubro de 2026; a apresentação do Kumo pela NVIDIA, de 21 de outubro de 2026. São datas das publicações, não datas em que todos os experimentos foram realizados. No caso do Granite, a IBM diz ter usado resultados de um placar capturados em 20 de outubro de 2026. Para o Kumo, o artigo descreve a avaliação, mas não estabelece ali uma data única de execução dos estudos.

Os caminhos de acesso também são distintos: a IBM descreve o carregamento de uma receita cujos quatro checkpoints são baixados na primeira execução; a NVIDIA afirma que o Kumo estava disponível na data de seu anúncio por biblioteca própria e como NVIDIA NIM. Essas declarações não confirmam oferta comercial, suporte ou condições de implantação no Brasil.

Quando começar pelo Granite

Segundo a IBM Research, a receita padrão combina quatro arquiteturas Granite pré-treinadas e retorna previsão central e quantis sem retreinar os membros nem ajustar pesos da combinação. O insumo descrito no exemplo é uma sequência de observações com timestamp e coluna-alvo; é preciso definir quanto histórico fornecer e qual horizonte prever. Quantis permitem avaliar não apenas um valor esperado, mas também uma faixa de resultados possíveis — sem que essa faixa tenha cobertura garantida em qualquer operação.

A IBM recomenda começar pelo Probabilistic Ensemble, que dá influência igual aos membros. A alternativa IQR aumenta a influência de previsões com faixas mais estreitas; isso não prova maior precisão, pois um modelo excessivamente confiante também pode produzir faixas estreitas. Compare as duas receitas no histórico e no horizonte que importam para sua decisão, em vez de escolher a que parece mais sofisticada.

Há um limite decisivo: a receita atual, conforme a IBM, prevê canais multivariados independentemente, sem usar informação entre canais. Se o sinal essencial está na relação entre clientes, compras e produtos, não basta organizar tudo como várias colunas de séries e presumir que o ensemble aprenderá essas relações. A IBM também informa que carregar quatro checkpoints aumenta tempo de inferência e uso de memória em comparação com um único membro. Para outra discussão sobre como delimitar tarefas de séries temporais, veja a análise de Timestral e HiRO-ACEv2.

Quando examinar o Kumo Relational

O artigo da NVIDIA descreve o Kumo como um modelo pré-treinado que prevê sobre dados em tabelas relacionadas, considerando chaves estrangeiras e timestamps, sem exigir treinamento específico para cada nova tarefa na modalidade de inferência em contexto. Em vez de montar manualmente uma tabela plana com agregações, a proposta usa registros ligados à entidade sobre a qual se quer prever algo.

Essa adaptação depende de exemplos históricos com resultados conhecidos: segundo a NVIDIA, cada exemplo relaciona um subgrafo local de uma entidade em certo instante ao seu alvo observado, e o sistema pode ler até 10 mil exemplos em contexto na inferência. Portanto, “sem treinamento específico” não significa “sem histórico rotulado” nem dispensa definir corretamente a pergunta preditiva e o momento a partir do qual a previsão será feita.

Exemplo hipotético: uma empresa quer estimar se um cliente fará outro pedido, usando tabelas de clientes, pedidos e itens. Se existem vínculos entre registros, datas e resultados passados verificáveis, Kumo pode ser candidato à avaliação. Se há apenas o total diário de pedidos e o objetivo é projetar os próximos totais, Granite se aproxima mais do formato da tarefa. O exemplo ilustra a decisão sobre dados; não é relato de desempenho.

A própria NVIDIA aponta limites: relações significativas e dinâmica temporal favorecem o Kumo, mas o sinal preditivo precisa ser alcançável em um número limitado de saltos entre registros. Em tarefas com conjuntos de treinamento muito grandes, modelos supervisionados específicos ainda podem superar previsões por inferência em contexto; a publicação menciona ajuste fino como outra possibilidade, distinta do uso sem treinamento específico.

Como comparar sem misturar placares

A IBM relata avaliação em 97 configurações do GIFT-Eval para previsão de séries, enquanto a NVIDIA relata 41 tarefas em 15 bases relacionais de conjuntos como RelBench, SAP SALT e 4DBInfer. São tarefas, referências e medidas diferentes: as notas publicadas não formam um confronto Granite versus Kumo. Mesmo dentro da avaliação Granite, a IBM ressalva que ganhos agregados não garantem melhora para toda série nem comprovam calibração.

Monte a avaliação a partir de decisões reais: fixe o alvo, o instante da previsão e quais dados já estariam disponíveis naquele instante. Para séries, use janelas históricas e compare a receita probabilística, a IQR e um membro individual no mesmo horizonte; verifique erro, perda dos quantis e cobertura observada das faixas. Para relações, avalie se chaves, datas e exemplos com alvos conhecidos são confiáveis; compare Kumo com uma alternativa apropriada na mesma tarefa, preservando a separação temporal entre informações disponíveis e resultados futuros. Em ambos os casos, registre latência e consumo de recursos no ambiente pretendido, sem tratar números dos anúncios como medições locais.

Licenças e decisão para uma operação brasileira

A IBM declara permissiva a licença da receita padrão e de seus membros Granite, mas alerta que receitas expandidas incluem checkpoints com termos separados, inclusive restrições de uso não comercial ou para pesquisa. Já a NVIDIA distingue código sob Apache 2.0 de pesos Kumo sob OpenMDW License Agreement 1.1. Não trate licença de código como licença dos pesos: confira os termos completos e os membros efetivamente usados antes de planejar uma implantação.

Para uma equipe no Brasil, permanece pendente verificar desempenho nos próprios dados, infraestrutura necessária, termos aplicáveis e eventuais condições locais de acesso e suporte. A decisão inicial é mais simples: identifique se está prevendo a continuação de sequências ou um resultado ligado a entidades em várias tabelas; só depois compare cada candidato com uma referência adequada ao seu caso.

Fontes e referências

  1. Ensemble forecasting with IBM Granite time-series modelshuggingface.co · Consultado em 22/10/2026
  2. NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Requiredhuggingface.co · Consultado em 22/10/2026
Transparência editorial. Este texto foi pesquisado, redigido e revisado com agentes de IA. A revisão automatizada confere fontes, consistência e clareza; não equivale a uma auditoria humana independente. Resultados de terceiros são identificados. Conheça a política editorial.
Compartilhar no WhatsAppSugerir correção