- Updated: December 7, 2025
- 7 min read
Cisco Time Series Model: Açık Ağırlıklı Decoder‑Only Transformer ile Zaman Serisi Tahmini
Cisco Time Series Model, Cisco’nun açık ağırlıklı, decoder‑only transformer mimarisi üzerine inşa edilmiş bir zaman serisi temel modelidir; çok çözünürlüklü (multiresolution) yaklaşımı sayesinde gözlemlenebilirlik ve güvenlik metriklerinde yüksek doğrulukla tahmin yapar.
Cisco Time Series Modelinin Tanıtımı
Cisco ve Splunk ortaklığıyla geliştirilen bu model, tek değişkenli (univariate) sıfır‑shot (zero‑shot) zaman serisi tahmini için tasarlanmıştır. Model, Apache 2.0 lisansı altında Hugging Face platformunda açık ağırlıklarla (open‑weights) sunulmaktadır ve özel bir ince ayar (fine‑tuning) gerektirmeden doğrudan tahmin görevlerine uygulanabilir.
Modelin temel amacı, gözlemlenebilirlik (observability) ve güvenlik (security) metriklerinde uzun vadeli trendleri, periyodik desenleri ve ani dalgalanmaları aynı anda yakalayabilmektir. Bu bağlamda, Cisco’nun AI temelleri ve haber akışı içinde yer alan yenilikçi yaklaşımlarıyla uyumludur.
Modelin Mimarisı – Decoder‑Only Transformer ve Açık Ağırlıklar
Cisco Time Series Model, TimesFM 2.0 tabanlı 50 katmanlı bir decoder‑only transformer kullanır. Geleneksel transformer’ların pozisyonel gömme (positional embedding) yerine, model “patch ordering” ve “resolution embedding” (çözünürlük gömme) teknikleriyle çok çözünürlüklü veri akışını işler. Bu sayede, hem saatlik (coarse) hem de dakikalık (fine) zaman serileri aynı bağlam penceresinde (context window) birleştirilir.
- Coarse (kaba) bağlam: 512 adım, 60 kat daha düşük çözünürlük.
- Fine (ince) bağlam: 512 adım, dakikalık veri.
- Özel “ST” tokenı, iki çözünürlük arasındaki sınırı işaretler.
- Resolution Embedding (RE) ile her çözünürlük ayrı bir gömme vektörü alır.
Açık ağırlıkların (open‑weights) sağlanması, araştırmacıların ve mühendislerin modeli kendi veri setlerine hızlıca adapte etmelerini mümkün kılar. UBOS platform overview sayfasında, bu tür açık‑ağırlıklı modellerin entegrasyonu ve dağıtımı hakkında detaylı rehberler bulunur.
Çok Çözünürlüklü Zaman Serisi Yaklaşımı ve Eğitim Verisi
Gözlemlenebilirlik ortamlarında veri genellikle iki farklı ölçekle saklanır: uzun vadeli saatlik özetler ve kısa vadeli dakikalık ölçümler. Cisco Time Series Model, bu iki ölçeği aynı anda işleyerek “multiresolution context” oluşturur. Model, 512 saatlik (coarse) ve 512 dakikalık (fine) veri dilimini aynı anda tüketir ve 128 adım (fine) öngörü üretir.
Eğitim süreci, TimesFM ağırlıkları üzerine devamlı ön‑eğitim (continued pre‑training) yapılarak gerçekleştirilir. Toplam 500 M parametreye sahip model, AdamW ve Muon optimizasyonlarıyla 20 epoch boyunca 300 Milyar veri noktasını kapsayan bir veri kümesi üzerinde eğitilmiştir. Bu veri kümesi:
- %35’i 1‑dakikalık gözlemlenebilirlik verisi,
- %16.5’i 5‑dakikalık gözlemlenebilirlik,
- %29.5’i GIFT Eval ön‑eğitim seti,
- %4.5’i Chronos veri seti,
- %14.5’i sentetik KernelSynth serileri.
Bu geniş veri tabanı, modelin hem özel gözlemlenebilirlik senaryolarında hem de genel zaman serisi görevlerinde yüksek performans göstermesini sağlar. AI foundations sayfasında, benzer veri hazırlama ve ön‑eğitim stratejileri hakkında daha fazla bilgi bulabilirsiniz.
Performans Benchmarkları ve Rakip Modellerle Karşılaştırma
Cisco Time Series Model, iki ana benchmark seti üzerinde test edilmiştir:
- Splunk gözlemlenebilirlik veri seti (1 dakika ve 5 dakika çözünürlük).
- Filtrelenmiş GIFT Eval (TimesFM 2.0 eğitim verisi sızıntısı olmayan).
1‑dakikalık çözünürlükte ortalama mutlak hata (MAE) %0.4788 olarak ölçülmüş; bu değer TimesFM 2.5’nin %0.6265 ve TimesFM 2.0’nin %0.6315 hatalarından %23 daha iyidir. Aynı zamanda MASE ve CRPS gibi ölçekli metriklerde de belirgin iyileşme görülmüştür.
5‑dakikalık çözünürlükte de benzer bir performans artışı rapor edilmiştir. Model, Chronos 2, Chronos Bolt, Toto ve AutoARIMA gibi geleneksel zaman serisi yöntemlerini geride bırakmıştır.
“Cisco Time Series Model, uzun bağlam pencerelerinde (long‑context windows) gözlemlenebilirlik iş yüklerinde rakiplerine göre %20‑30 daha düşük hata oranı sunuyor.” – Cisco‑Splunk ortak araştırma raporu
GIFT Eval benchmark’inde ise model, TimesFM 2.0 ile eşdeğer performans gösterirken, genel amaçlı zaman serisi tahminlerinde de rekabetçi kalmaktadır. Bu sonuçlar, modelin sadece gözlemlenebilirlik değil, aynı zamanda geniş AI zaman serisi ekosisteminde de geçerli bir temel model olduğunu kanıtlar.
Daha fazla benchmark detayı ve kod örnekleri için UBOS portfolio examples sayfasındaki ilgili projelere göz atabilirsiniz.
Kullanım Senaryoları ve Potansiyel Uygulama Alanları
Cisco Time Series Model, özellikle aşağıdaki senaryolarda değer yaratır:
- İzleme ve Anomali Tespiti: Ağ trafiği, CPU kullanım oranları ve güvenlik olayları gibi metriklerde anlık anomali tespiti.
- Kapasite Planlaması: Veri merkezleri ve bulut altyapılarının uzun vadeli kapasite tahmini.
- Finansal Zaman Serileri: Hisse senedi, kripto ve döviz fiyatlarının çok çözünürlüklü analizleri.
- IoT ve Sensör Verileri: Yüksek frekanslı sensör akışlarının hem kısa vadeli hem de uzun vadeli trendlerinin birleştirilmesi.
- Enerji Yönetimi: Akıllı şebekelerde tüketim ve üretim verilerinin çok ölçekli tahmini.
UBOS ekosistemi, bu senaryoları hızla hayata geçirmek için hazır şablonlar ve entegrasyonlar sunar. Örneğin, UBOS templates for quick start içinde “AI SEO Analyzer” ve “AI Article Copywriter” gibi şablonlar, veri hazırlama ve model dağıtımını tek tıkla başlatmanıza olanak tanır.
Ayrıca, GPT‑Powered Telegram Bot şablonu, gerçek‑zamanlı tahmin sonuçlarını Telegram üzerinden ekiplerle paylaşmak için kullanılabilir. Bu, Telegram integration on UBOS ve ChatGPT and Telegram integration gibi entegrasyonların pratik bir örneğidir.
Cisco’nun Stratejik Vizyonu ve Gelecekteki Planları
Cisco, açık‑ağırlıklı AI modelleriyle ekosistemi demokratikleştirmeyi hedefliyor. Time Series Model, bu vizyonun ilk somut adımı olarak konumlandırılıyor. Şirket, aşağıdaki stratejik yönleri vurguluyor:
- Açık Kaynak ve Açık Ağırlık Politikası: Geliştiricilerin modelleri incelemesi, yeniden eğitmesi ve kendi ürünlerine entegre etmesi.
- Çok Çözünürlüklü Veri İşleme: Gözlemlenebilirlik platformlarının veri saklama politikalarına uyum.
- AI‑First Ürün Geliştirme: Ağ güvenliği, bulut izleme ve IoT çözümlerinde AI‑tabanlı karar destek sistemleri.
- Ortaklık ve Ekosistem Büyütme: Splunk, UBOS ve diğer AI platformlarıyla entegrasyonlar.
Gelecek planları arasında, modelin parametre sayısını 1 M’ye çıkarmak, çok değişkenli (multivariate) zaman serisi desteği eklemek ve “edge‑AI” dağıtım senaryoları için hafifletilmiş bir versiyon sunmak bulunuyor. Bu adımlar, UBOS partner program kapsamında iş ortaklarına da yeni fırsatlar yaratacak.
Sonuç
Cisco Time Series Model, açık‑ağırlıklı, decoder‑only transformer mimarisi ve çok çözünürlüklü veri işleme yeteneğiyle zaman serisi analitiğinde yeni bir standart belirliyor. Gözlemlenebilirlik ve güvenlik metriklerinde sağladığı düşük hata oranları, hem akademik hem de endüstriyel uygulamalarda tercih edilmesini sağlayacak. UBOS ekosistemi, bu modeli hızlıca entegre etmek ve ölçeklendirmek için gerekli araçları, şablonları ve entegrasyonları sunarak AI mühendislerinin ve veri bilimcilerinin iş yükünü hafifletiyor.
Öne çıkan SEO anahtar kelimeler: Cisco, Time Series Model, açık ağırlıklar, temel model, decoder‑only transformer, yapay zeka, zaman serisi, AI, UBOS.
Kaynaklar ve İlgili Bağlantılar
Orijinal teknik rapor ve detaylı açıklama için MarkTechPost’taki makaleye göz atabilirsiniz:
Cisco Time Series Model – MarkTechPost.
UBOS ekosistemi içinde bu modelin uygulanmasıyla ilgili daha fazla bilgi için aşağıdaki sayfaları inceleyin: