Qué pasó
- El 22 de octubre de 2026, IBM Research publicó en el blog de Hugging Face Granite Timeseries Ensemble, una receta que combina cuatro modelos Granite de series de tiempo de arquitecturas distintas.
- Entrega un pronóstico puntual y cuantiles, por defecto de 0,1 a 0,9, sin reentrenar y sin pesos ajustados. Con los cuantiles 0,1 y 0,9 se obtiene un intervalo central con cobertura nominal de 80%.
- La opción recomendada, Probabilistic Ensemble, da igual peso a cada modelo y combina sus cuantiles en el espacio de probabilidad. La alternativa, IQR Ensemble, da más peso a los modelos con menor dispersión.
- La receta se instala con granite-tsfm 0.3.11 o superior y descarga los cuatro puntos de control al ejecutarse.
Por qué importa
- Elegir un modelo de pronóstico preentrenado es difícil: uno que anda bien con señales industriales suaves puede fallar con demanda ruidosa. La receta reemplaza esa elección por un valor por defecto.
- Los pesos fijos evitan un paso de ajuste y sus hiperparámetros, algo útil para quien tiene muchas series y poco tiempo.
- IBM invita a medir con datos propios si el ensamble mejora a sus miembros antes de adoptarlo.
El dato
80%. Cobertura nominal del intervalo central entre los cuantiles 0,1 y 0,9 del pronóstico.
Contexto
IBM compara la idea con la meteorología: los sistemas de ensamble exploran un rango de resultados y combinan modelos distintos, como en la predicción estacional norteamericana. Cita también una revisión de 50 años sobre combinación de pronósticos y la llamada paradoja de la combinación, según la cual las medias simples suelen resistir frente a métodos con pesos estimados. Los miembros incluyen, según las referencias del texto, modelos de las familias PatchTST-FM, FlowState y Tiny Time Mixers. La receta y sus miembros por defecto tienen licencia permisiva.
Qué viene
- El texto propone extender la misma interfaz a otros pronosticadores compatibles.
- Recomienda evaluar la receta con los datos de cada aplicación, con una sección dedicada.
Cierre
En pronóstico del clima hay un trabajo cercano: un método de aprendizaje automático duplica la habilidad de la IA de ECMWF a semanas. La instalación de modelos abiertos depende de los chips y bibliotecas: AWS lanzó TorchNeuron para Trainium y Google abrió TorchTPU. Y para quien trabaja en un equipo pequeño, Recursive publicó Flint, un modelo de código que corre en un notebook.
Fuentes
- Hugging Face blog — Ensemble forecasting with IBM Granite time-series models (22 de octubre de 2026; artículo de IBM Research)
- Imagen de portada: Chris Hunkeler from Carlsbad, California, USA, CC BY-SA 2.0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
.jpg){kind=link}