2026-10-21 — views
NVIDIA Kumo Forecast, 해석 가능한 시계열 예측을 위한 DARR 모드 공개
읽어야 하는 이유 Kumo Forecast는 직접 예측과 역사적 컨텍스트를 결합하기 위해 도메인 기반 표현 및 검색(DARR)을 도입하여, 다변량 예측을 위한 투명하고 Apache 2.0 라이선스를 갖춘 솔루션을 개발자에게 제공합니다.
NVIDIA는 사전 학습된 Transformer와 역사적 패턴 검색, 내장 해석 가능성을 결합한 시계열 작업용 모델인 Kumo Forecast를 출시했습니다.
다변량 예측을 위한 새로운 접근 방식
NVIDIA는 학습된 표현과 역사적 관측 간의 격차를 해소하기 위해 설계된 다변량 시계열 예측 모델인 Kumo Forecast를 소개했습니다. 이전에는 NV-Tesseract Forecasting로 알려져 있던 이 시스템은 사전 학습된 Transformer 백본과 도메인 기반 표현 및 검색(Domain-Aware Representation and Retrieval, DARR)이라는 새로운 컨텍스트 강화 모드를 결합합니다. 이 아키텍처는 예측 정확도를 향상시키는 동시에 결과에 대한 해석 가능성을 제공합니다.
이 모델은 약 3억 4천만 개의 파라미터를 가진 기본 인코더를 활용하는 MOMENT-1-large 백본을 기반으로 구축되었습니다. 아키텍처는 인코더와 임베더의 가중치를 고정된 상태로 유지한 채 별도의 예측 헤드를 학습합니다. 이러한 분리는 모델이 강력한 사전 학습된 시간적 표현을 활용하면서도 특정 예측 작업에 적응할 수 있도록 합니다. 이 라이브러리는 데이터프레임 중심 API를 제공하여 개발자가 예측 기간을 구성하고 패턴 검색을 위해 선택적으로 역사적 컨텍스트를 공급할 수 있게 합니다.
DARR이 예측을 향상시키는 방법
Kumo Forecast는 두 가지 주요 경로를 통해 작동합니다. 직접 예측 경로에서 모델은 MOMENT 기반 Transformer와 학습된 예측 헤드를 사용하여 미래 값을 예측합니다. 모델의 기본 능력을 넘어선 기간의 경우, 시스템은 재귀적으로 예측을 확장하는 자기회귀 확장을 지원합니다.
DARR 모드는 최근접 이웃(nearest-neighbor) 접근 방식을 사용하여 역사적 데이터에서 관련 패턴을 검색함으로써 이 직접 예측을 보완합니다. 이 과정은 최근 관측치를 제공하는 모델의 입력 창과 패턴 검색을 위한 추가 컨텍스트를 제공하는 별도의 역사적 데이터프레임을 구분합니다. 개발자는 구성 옵션을 통해 각 경로의 가중치를 조정하여 직접 모델 예측과 검색된 역사적 패턴을 혼합할 수 있습니다. 이러한 구분은 시스템이 사전 학습 중 학습된 표현과 현재 애플리케이션에서 사용할 수 있는 역사적 관측이라는 두 가지 다른 정보 소스를 활용하도록 합니다.
내장 해석 가능성 프레임워크
Kumo Forecast의 핵심 기능 중 하나는 모델 비종속적(model-agnostic) 해석 가능성 프레임워크입니다. 활성화되면 이 프레임워크는 다른 예측 아키텍처를 필요로 하지 않고도 예측과 함께 설명 번들을 생성합니다. 이 번들에는 예측 기간별 지연(lag) 및 특성 기여도, 시맨틱 플로우 진단, 궤적 안정성 진단, 그리고 선택적 임베딩 통합 그래디언트(Embedding Integrated Gradients)가 포함됩니다. 이를 통해 사용자는 특정 예측의 근거를 이해할 수 있으며, 이는 종종 딥러닝 모델과 관련되어 있는 블랙박스 문제를 해결합니다.
실제 구현 세부 사항
Kumo Forecast는 Apache 2.0 라이선스 하에 사용 가능하며, 모델 코드는 NVIDIA/Kumo-TS에, 가중치는 nvidia/Kumo-Forecast에 호스팅되어 있습니다. 이 시스템은 지원되는 입력 시퀀스 길이가 256, 512, 1024, 2048 관측치인 숫자형 및 시간 데이터를 필요로 합니다. 입력은 타임스탬프 열과 하나 이상의 숫자 값 열로 구성되어야 하며, pandas DataFrame 또는 CSV/JSON 파일로 표현됩니다. DARR 모드를 사용할 경우, 컨텍스트 데이터의 차원은 입력의 컨텍스트와 유사해야 합니다.
이 모델은 이미 Factory Operations (FOX) Blueprint와 같은 더 광범위한 애플리케이션에 통합되고 있습니다. 이 블루프린트에는 Kumo Anomaly와 Kumo Forecast를 모두 활용하여 실시간 데이터를 분석하고 미래 이상을 예측하는 예측 유지보수용 얼리 액세스 모듈이 포함되어 있습니다. 개발자는 사전 학습된 워크플로우를 특정 사용 사례에 적응시키기 위한 시작점을 제공하는 사용자 제공 CSV 데이터에 대한 모델 파인튜닝 예제도 찾을 수 있습니다.
실무자 노트
개발자는 NVIDIA가 사용 사례별 테스트를 요구하므로 의도된 기간과 작동 조건 전반에 걸쳐 예측 품질을 검증해야 합니다. 검색 오류를 피하기 위해 DARR 모드를 활용할 때 역사적 컨텍스트 데이터의 차원이 입력 컨텍스트와 일치하는지 확인하십시오.