L’attenzione dei transformer ha dominato la scena dei modelli fondazionali, ma quando si parla di serie temporali lunghe, multivariate e cariche di segnali sensibili, la loro architettura quadratica e la fame di dati centralizzati diventano un freno. QuantFlow, proposto in un nuovo paper, rovescia l’impostazione: al posto dell’attenzione usa decoder bidirezionali Mamba, modelli a spazio di stato che scalano in modo lineare, e incapsula tutto in un framework federato. Il risultato è un sistema di previsione addestrabile su dati che non lasciano mai i dispositivi periferici.

Il cuore tecnico è un’ibridazione intelligente. Ogni variabile temporale viene incapsulata in un embedding che copre l’intera finestra di osservazione, poi processata in avanti e all’indietro da blocchi Mamba. L’uscita viene proiettata su cinque quantili condizionati, ottenendo non solo una stima puntuale ma una distribuzione probabilistica con incertezza calibrata – un dettaglio tutt’altro che banale per chi opera in finanza o nel monitoraggio industriale. A questo si aggiunge TSMixup, una tecnica di augmentazione che mescola sequenze diverse con pesi di Dirichlet senza distruggerne la struttura temporale.

I test – criptovalute, traffico, elettricità, temperatura da trasformatori, influenza e meteo – consegnano errori quadratici medi di 0,2834 su ETTm1 e 0,2218 su Weather. Ma il dato più interessante per chi segue AI-RADAR è il comportamento in federated learning: con venti client non identicamente distribuiti, bastano tre round di comunicazione per conservare un’accuratezza utile, senza mai aggregare i dati grezzi. Significa che un consorzio di ospedali potrebbe affinare un modello predittivo sulle epidemie senza condividere le cartelle cliniche; un gruppo di utility potrebbe prevedere la domanda elettrica aggregando solo gradienti criptati.

Perché Mamba cambia le carte per il deployment locale? La memoria dello stato compresso e l’assenza di matrici di attenzione riducono il fabbisogno di VRAM e rendono l’inference praticabile su hardware meno estremo, inclusi edge server e workstation. Non si tratta di rincorrere l’ultima GPU a 80 GB, ma di poter operare con ciò che già si possiede in sede, abbattendo la dipendenza dal cloud e il costo totale di possesso (TCO). L’accoppiata con l’apprendimento federato, poi, sposta l’asticella della sovranità dei dati: la proprietà intellettuale e i vincoli normativi (si pensi al GDPR) trovano un alleato architetturale, non un freno.

I limiti, onestamente dichiarati, sono due: i segnali epidemiologici irregolari e la generalizzazione su orizzonti molto lunghi restano punti dolenti. Non tutto è risolto, insomma, ma il segnale strutturale è forte. Da una parte, la parabola dei transformer – anche per domini non linguistici – incontra concorrenti più parchi in risorse; dall’altra, la combinazione di modelli a spazio di stato e training federato delinea un sentiero per chi vuole fare previsioni serie senza mettere i propri dati nelle mani di terzi, proprio mentre le organizzazioni diventano più guardinghe dopo anni di rumore sul cloud a ogni costo.