投稿者 投稿日: カテゴリー AIニュース
IBMが時系列予測の基盤モデル Granite-TTM-R3 を公開しました。
IBMが時系列予測向けの基盤モデル Granite-TTM-R3 を Hugging Face 上で公開しました。パラメータ数は約141万と極小でありながら、既存の主要モデル比で最大50倍の推論速度を出すとされ、しかもライセンスは商用利用可能な Apache-2.0 です。EC事業者にとっては、需要予測や在庫の発注計画を「GPUを買わずに自社サーバのCPUだけで回す」現実味が一段上がったニュースになります。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
Granite-TTM-R3とは何か、何が変わったのか
Granite-TTM-R3とは、IBMが公開した時系列データ専用の事前学習済み基盤モデルのことです。文章を扱う大規模言語モデルとは別系統で、売上や在庫、アクセス数のような「日付ごとに並んだ数値」の先読みに特化しています。Hugging Face の IBM Research ブログで発表され、詳細は公式モデルカードにまとまっています。
注目すべきは速度です。モデルカードによれば、一般的な最新モデルのGPU処理量が毎秒20〜500サンプル程度であるのに対し、Granite-TTM-R3は毎秒約7,500サンプル、軽量版のLiteは毎秒約18,000サンプルに達します。CPUのみの環境でも本体が毎秒約180サンプル、Liteが毎秒約800サンプルとされ、全体として既存手法比でおよそ15〜50倍の高速化と説明されています。精度面でも、時系列予測の共通ベンチマークである GIFT-Eval で MASE 0.718、CRPS 0.514（ファインチューニング時）と、上位水準を維持したまま速度を稼いだ形です。
技術的な中身は、長期トレンドと高周波の残差を分けて学習する構成、複数の専門モデルを入力の性質に応じて自動で切り替える混合エキスパート方式、そして自己注意機構を使わない軽量な設計の組み合わせです。基礎となる Tiny Time Mixers の論文はNeurIPS 2024で採択済みですが、R3固有の論文とサンプルノートブックはモデルカード上で「公開予定」とされており、この点は要確認です。
日本のEC事業者にとっての3つの論点
論点の第一は、CPUで完結するという一点に尽きます。141万パラメータという規模は、需要予測のためだけにGPUインスタンスを月額数万円で借りる必要がないことを意味します。仮に自社が1万SKUを抱えていて、1SKUあたり1サンプルとして日次で予測を回す場合、Lite版の毎秒800サンプルなら計算上は十数秒で終わる規模感です。ただしモデルカードの「サンプル」がSKU単位の予測本数と一致するかは明記がないため、この試算は要確認として扱ってください。それでも、在庫管理を外部SaaSに丸投げせず自社で持つ選択肢が現実的になったのは確かです。
第二は、ゼロショットと少量データでの適応です。Granite-TTM-R3は未知のデータセットに対して学習なしで予測でき、約1,000サンプル程度の少量データでも追加学習が効くとされています。楽天市場やAmazonの売上データを2〜3年分しか持っていない中小規模の店舗でも、まず試してみる敷居が下がります。新商品や季節商材のように過去データが薄い領域ほど、この性質は効いてきます。
第三は、外生変数と分位点予測への対応です。モデルは説明変数（外生変数）を取り込めるため、お買い物マラソンやスーパーDEALの実施期間、Amazonのタイムセール、ポイントアップ倍率といった日本のECに固有のイベントフラグを予測に織り込めます。加えて複数の分位点を同時に出力する機構を備えており、平均値の一点予測ではなく「90パーセンタイルで見たときの需要」を根拠に安全在庫を積めます。欠品と過剰在庫のどちらを重く見るかを、勘ではなく数字で調整できるということです。この考え方は、以前取り上げたTargetの在庫デジタルツインの発想とも地続きです。
明日からの初動：スモールスタートの手順
最初にやるべきは、モデル選びではなくデータ整備です。楽天RMSの商品別売上や、Amazonセラーセントラルのビジネスレポートを、SKU×日付の縦持ち形式に整えるところから始めます。ここが崩れているとどんなモデルを使っても結果は出ません。
次に、対象を売上上位50〜100SKUに絞ってゼロショットで試します。全SKUに広げるのは精度の当たりが付いてからで十分です。評価指標は、モデルカードに出てくるMASEやCRPSではなく、自社の欠品率と在庫回転日数で見てください。統計的な誤差が数%改善しても、欠品が減らなければ現場の価値はゼロです。
そのうえで、イベントフラグを外生変数として追加します。日本のECは、平常時の需要曲線よりもセール設計の影響が大きく、ここを入れるかどうかで実用性が分かれます。最後に、予測値を自動発注へ直結させる前に、最低でも3か月はシャドー運用（予測は出すが発注判断は人が行う）を挟むことをおすすめします。Q4のような繁忙期にいきなり本番投入するのは危険で、年末商戦に向けた在庫の積み方は別途、人の判断軸で設計しておく必要があります。発注点の考え方そのものを整理したい場合は、発注点予測の実務もあわせて参照してください。
よくある質問
Granite-TTM-R3は無料で使えますか。はい、使えます。ライセンスは Apache-2.0 で、モデルカード上で商用利用が認められています。ただしホスティングされた推論APIは提供されていないため、自社環境で動かす前提になります。
自社にデータサイエンティストがいなくても導入できますか。いいえ、完全にゼロでは難しいのが実情です。モデル自体は軽量ですが、データ整形と評価設計は必要です。Pythonの実行環境と、売上データをCSVで扱える担当者が最低1名は要ります。関連ツール群はgranite-tsfm のリポジトリに公開されています。
売上データを外部に送らずに済みますか。はい、済みます。モデルをダウンロードして自社サーバで動かす方式のため、顧客データや売上データを外部のAPIに送信する必要がありません。機密性を理由に生成AIの導入を見送ってきた事業者にとっては、ここが最大の利点になります。
まとめ
Granite-TTM-R3の要点は、精度を落とさずにCPUで回せるところまで軽量化された時系列予測モデルが、商用利用可のライセンスで手に入るようになったことです。日本のEC事業者にとっては、需要予測をSaaS任せにするか自社で持つかという選択肢が増えたことを意味します。まずは上位SKUに絞り、欠品率で評価するスモールスタートから検証を始めるのが現実的です。
参考文献
- IBM releases SOTA Granite time series models（Hugging Face / IBM Research ブログ）
- ibm-granite/granite-timeseries-ttm-r3 モデルカード
- Tiny Time Mixers (TTMs) 論文（NeurIPS 2024）
- GIFT-Eval データセット（Salesforce）
- Granite Time Series コレクション
- granite-tsfm リポジトリ Wiki
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: Hugging Face / IBM Research
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
