Granite Ensemble: prever la demanda con cuatro modelos de IA

Una previsión que también expresa incertidumbre

Granite Timeseries Ensemble combina cuatro modelos de series temporales y devuelve una previsión central junto a varios niveles de incertidumbre. Puede servir como punto de partida cuando quieres estimar demanda y todavía no sabes qué modelo encajará mejor con tus datos.

IBM Research presentó la receta el 22 de octubre de 2026. Reúne dos versiones de PatchTST-FM, FlowState y Tiny Time Mixers. Utiliza tu serie como entrada; la combinación predeterminada no necesita reentrenar los modelos ni aprender unos pesos nuevos con tu histórico.

Combinar rangos aporta más información que una cifra aislada

Cada modelo genera cuantiles, niveles de la previsión que permiten describir resultados más bajos o más altos. El método predeterminado da la misma influencia a los cuatro, reúne esos valores y extrae los cuantiles de la combinación. La mediana, el nivel central, se usa como previsión puntual.

La receta no fusiona los cuatro modelos en uno. Guarda su configuración y descarga cada modelo por separado. La librería Granite TSFM expone la salida con un formato común, lo que facilita comparar la combinación con un modelo individual.

Imagina cuántos cafés preparar para mañana

Una cafetería podría usar sus ventas diarias para prever la demanda del día siguiente. Supón una salida inventada con mediana de cien cafés y un intervalo entre ochenta y ciento treinta, tomado de los cuantiles 0,1 y 0,9. Esa franja representa una cobertura nominal del 80%, que habría que contrastar con los resultados reales.

No significa que mañana sea imposible vender setenta o ciento cincuenta. El rango ayuda a discutir cuánto margen necesitas y qué cuesta quedarte corto. Para comprobar si resulta útil, recuperaría días anteriores y haría la previsión usando solo los datos que se conocían entonces.

Una precaución afecta al ejemplo: la receta actual trata las series por separado. Añadir una columna de temperatura junto a las ventas no hace que aproveche automáticamente la relación entre ambas.

Cuatro modelos también tienen un coste

En la comparación publicada por IBM sobre 97 configuraciones de GIFT-Eval, la combinación mejoró el error puntual agregado frente a sus cuatro miembros. La diferencia con el mejor modelo individual fue pequeña y ese modelo individual conservó el mejor resultado en otra métrica de calidad probabilística. Son resultados del fabricante sobre ese benchmark.

Ejecutar cuatro modelos exige más recursos que ejecutar uno. Si uno falla, la implementación puede continuar con los demás, pero ya estarías usando otra combinación. Conviene conservar ese detalle al comparar resultados.

Para la cafetería compararía también una referencia sencilla, como las ventas del mismo día de la semana anterior. Mantendría la combinación si sus rangos y errores aportan una mejora útil para decidir, con un tiempo de cálculo y un consumo de memoria asumibles.

Fuentes