CALM: Echtzeit-Framework für adaptive Anomalieerkennung in Zeitreihen

Die Erkennung von Anomalien in nichtstationären Zeitreihen ist in Industrie und Forschung von entscheidender Bedeutung, doch klassische Modelle, die offline trainiert werden, verlieren schnell an Genauigkeit, wenn sich die zugrunde liegenden Datenmuster ändern. Das neue Framework CALM (Continuous, Adaptive, and LLM-Mediated) löst dieses Problem, indem es eine kontinuierliche, adaptive Anomalieerkennung in Echtzeit ermöglicht.

CALM nutzt die verteilte Verarbeitung von Apache Beam und das TimesFm-Foundation-Modell für prädiktive Anomalieerkennung. Der Kern des Ansatzes besteht aus zwei Innovationen: Erstens implementiert es einen geschlossenen Lernzyklus, der das Modell in nahezu Echtzeit an sich verändernde Daten anpasst. Zweitens führt es einen LLM-as-a-Judge ein – ein großes Sprachmodell, das kontextbewusste Urteile über erkannte Anomalien abgibt und so entscheidet, ob ein Ausreißer lediglich Rauschen oder ein signifikanter Musterwechsel ist.

In umfangreichen Tests am TSB-UAD-Benchmark zeigte CALM, dass das kontinuierlich feinjustierte Modell die ROC‑AUC‑Werte in den meisten Datensätzen gegenüber dem statischen, vortrainierten Basismodell verbessert. Diese Ergebnisse bestätigen die Wirksamkeit eines adaptiven, LLM-gesteuerten Ansatzes, um die Leistungsfähigkeit der Anomalieerkennung in dynamischen Streaming‑Umgebungen dauerhaft zu sichern.