NVIDIA Kumo Forecast는 사전 학습된 시계열 표현에 역사적 패턴 검색 및 해석 가능성(Interpretability)을 결합합니다.
NVIDIA Kumo Forecast (이전 명칭: NV-Tesseract Forecasting)는 사전 학습된 Transformer 백본과 도메인 인식 표현 및 검색(Domain-Aware Representation and Retrieval, DARR)을 결합한 다변량 시계열 예측 모델입니다. DARR은 직접적인 모델 예측과 역사적 데이터에서 검색된 패턴을 혼합하는 컨텍스트 강화 예측 모드이며, 결과에 대한 해석 가능성까지 포함합니다. MOMENT-1-large 백본을 기반으로 하며, Kumo Forecast는 약 3억 4천만 개의 파라미터 기반 인코더와 학습 가능한 예측 헤드를 사용합니다.
이 라이브러리는 DataFrame 우선 API를 제공하며, 구성 가능한 예측 범위(forecast horizons), 검색을 위한 선택적 역사적 컨텍스트, 그리고 기본 예측기(forecaster)를 수정하지 않고도 범위별 설명(horizon-specific explanations)을 생성하는 해석 가능성 프레임워크를 갖추고 있습니다.
Kumo-Forecast는 Apache 2.0 라이선스 하에 이용 가능합니다.
모델 코드: NVIDIA/Kumo-TS
모델 가중치: nvidia/Kumo-Forecast
예측 시스템은 두 가지 다른 정보 출처를 활용할 수 있습니다: 사전 학습 중에 학습된 표현과 현재 애플리케이션을 위해 사용 가능한 역사적 관찰값입니다. Kumo-Forecast는 사전 학습된 예측 모델과 선택적 검색 경로(retrieval pathway)를 통해 이들을 하나로 통합합니다.
직접 예측 경로(direct forecasting path)에서는 Kumo-Forecast가 MOMENT 기반 Transformer와 학습된 예측 헤드를 사용하여 미래 값을 예측합니다. DARR 모드에서는 또한 근접 이웃 접근법(nearest-neighbor approach)을 사용하여 역사적 데이터에서 관련 패턴을 검색하고, 그 정보를 직접 예측과 결합합니다.
이는 모델의 입력 윈도우와 검색 컨텍스트를 구분합니다. 입력 윈도우는 예측을 위한 최근 관측치를 제공하며, 별도의 역사적 DataFrame은 패턴 검색을 위한 추가적인 컨텍스트를 제공할 수 있습니다. 개발자는 라이브러리의 구성 옵션을 통해 최종 예측이 각 경로에 얼마나 강하게 의존하는지 조정할 수 있습니다.
DARR 모드에 대한 추가 정보는 출판된 논문 'Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains'에서 확인할 수 있습니다.
Kumo-Forecast는 네 가지 주요 구성 요소, 즉 사전 학습된 시간적 인코더(pretrained temporal encoder), 훈련 가능한 예측 헤드(trainable forecasting head), 역사적 패턴 검색 메커니즘(historical-pattern retrieval mechanism), 그리고 해석 가능성 프레임워크(interpretability framework)를 결합합니다.
사전 학습된 시간적 표현 (Pretrained Temporal Representations): 이 모델은 백본으로 MOMENT-1-large Transformer 인코더를 사용합니다. 이 아키텍처는 예측 헤드를 훈련하는 동안 인코더 및 임베더 가중치를 고정(frozen)하여, 사전 학습된 표현 모델을 작업별 예측 레이어와 분리합니다.
직접 예측 (Direct Forecasting): 예측 헤드는 모델의 표현을 요청된 호라이즌의 미래 값으로 매핑합니다. 모델의 기본 역량을 넘어서는 호라이즌에 대해서는 자기회귀 확장(autoregressive extension)을 지원합니다. 이는 직접 생성된 예측과 예측을 재귀적으로 확장하는 더 긴 예측을 구분합니다.
도메인 인식 표현 및 검색 (Domain-Aware Representation and Retrieval): DARR은 역사적 컨텍스트 데이터로부터 k-최근접 이웃(k-nearest-neighbor) 검색을 통해 직접 예측에 증강(augments)합니다. 이 과정은 직접 예측과 역사적 패턴 검색을 결합하며, SDK는 별도의 context_df 인수를 통해 역사적 컨텍스트를 받습니다.
해석 가능성 (Interpretability): Kumo-Forecasting은 모델에 구애받지 않는 해석 가능성 프레임워크도 포함합니다. 활성화하면, 예측 지평(forecast horizon)별 지연(lag) 및 특성 기여도(feature attributions), 의미론적 흐름 진단(semantic-flow diagnostics), 궤적 안정성 진단(trajectory-stability diagnostics), 그리고 선택적 임베딩 통합 기울기(embedding Integrated Gradients)를 포함하는 설명 번들(explanation bundle)을 생성합니다. 이러한 출력물은 별도의 예측 아키텍처를 요구하기보다는 예측과 함께 제공됩니다.
해석 가능성에 대한 자세한 내용은 논문 NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates에서 확인할 수 있습니다.
datal는 숫자형, 시계열 데이터여야 합니다. 지원되는 입력 시퀀스 길이에는 256, 512, 1024, 2048 관측치가 포함됩니다. 입력은 타임스탬프 열과 하나 이상의 숫자 값 열로 구성되며, pandas DataFrame 또는 CSV/JSON 입력을 통해 표현됩니다. DARR 모드를 활용할 때는 컨텍스트의 차원이 입력의 컨텍스트와 유사해야 합니다.
Factory Operations (FOX) Blueprint에는 Kumo Anomaly 및 Kumo Forecast를 활용하는 예측 유지보수(Predictive Maintenance) 모듈에 대한 얼리 액세스(Early Access)가 포함되어 있습니다. 이는 실시간 데이터를 분석하여 미래의 이상 징후를 예측합니다.
GTC San Jose 2026 세션에 접속하려면 아래 이미지를 클릭하십시오.
애플리케이션별 평가를 위해서는 동일한 비보유(held-out) 예측 창에서 직접 구성과 검색 증강(retrieval-enhanced) 구성을 비교해야 합니다. 의도된 지평 및 운영 조건 전반에 걸쳐 예측 품질을 검증하여, NVIDIA가 요구하는 사용 사례별 테스트와 일치시켜야 합니다.
모델 코드: NVIDIA/Kumo-TS
모델 가중치: nvidia/Kumo-Forecast
Kumo-TS 저장소는 또한 사용자 제공 CSV에 Kumo-Forecast를 미세 조정(fine-tuning)하는 예제를 추가로 제공합니다. 따라서 개발자는 사전 학습된 추론 워크플로우와 모델을 자체 데이터에 적응시키기 위한 문서화된 시작점을 모두 갖게 됩니다.
