La novità: una ricetta pronta per le serie temporali
Il blog di Hugging Face presenta Granite Timeseries Ensemble, una ricetta che riunisce quattro modelli Granite pre-addestrati con architetture diverse per produrre previsioni su serie temporali senza riaddestramento sul dataset dell'utente. Secondo la fonte, il problema di partenza è la scelta del singolo modello: una rete che funziona bene su segnali industriali regolari può deludere su domanda retail rumorosa o su orizzonti stagionali lunghi, e la soluzione migliore dipende dalla serie e dal compito.
L'ensemble conserva la configurazione, non i pesi fusi dei modelli: i quattro checkpoint vengono scaricati a runtime, quindi la prima esecuzione richiede più tempo. L'interfaccia Forecaster è estensibile e accetta anche modelli esterni compatibili, mantenendo invariato il formato di output a valle. La ricetta e i membri Granite di default hanno licenze permissive.
Come funzionano le due varianti
La ricetta di default, Probabilistic Ensemble, assegna lo stesso peso a ciascun membro e combina le previsioni quantiliche nello spazio di probabilità, senza fasi di fitting né iperparametri da tarare. È l'opzione suggerita come punto di partenza. L'alternativa, IQR Ensemble, pesa i membri in base all'ampiezza del loro intervallo di previsione, dando più influenza a chi produce intervalli più stretti; i pesi variano per campione, target e passo dell'orizzonte e una regressione isotonica evita quantili incrociati.
La fonte avverte che un intervallo più stretto non implica necessariamente una previsione più accurata o ben calibrata e che il peso IQR può favorire un membro troppo sicuro di sé. Per questo la ricetta espone un parametro di temperatura, che avvicina i pesi alla distribuzione uniforme, e un tetto opzionale al peso di un singolo membro. L'output include una previsione puntuale e quantili, di default da 0,1 a 0,9.
I risultati dichiarati e i limiti
Nella valutazione su 97 configurazioni del benchmark GIFT-Eval, con punteggi di leaderboard rilevati il 20 ottobre 2026, entrambi gli ensemble superano i quattro membri individuali su MASE aggregato e rango MASE medio. Il Probabilistic Ensemble registra il MASE più basso tra i sei modelli confrontati, 0,683 contro 0,685 di PatchTST-FM-r2, ma il margine è definito piccolo dalla stessa fonte: il beneficio principale indicato è la robustezza, non il primato. Su CRPS/MWQL aggregato resta davanti PatchTST-FM-r2, mentre l'IQR Ensemble ha il miglior rango CRPS medio.
Gli ensemble si collocano al terzo posto tra i sistemi eleggibili per rango MASE e CRPS, e alcuni sistemi esclusi perché fine-tuned o con licenze non permissive ottengono punteggi migliori. Restano da verificare sul proprio dominio accuratezza, calibrazione, latenza e licenze tramite backtest su dati rappresentativi. La ricetta prevede inoltre previsioni indipendenti per i canali multivariati, senza sfruttare informazioni incrociate, e caricare quattro checkpoint aumenta tempo di inferenza e memoria rispetto a un singolo modello.