Foundation-модели для временных рядов в детекции: когда они оправданы?

Предобученные модели рядов (Chronos, TimesFM, Moirai и родственные) дают zero-shot прогноз без обучения на вашей истории: достаточно подать контекст, и модель выдаёт распределение следующих значений. В детекции их используют как прогнозный слой — аномалия определяется отклонением факта от предсказанного распределения. Плюсы реальны: холодный старт для новой метрики, ноль работы по подбору сезонностей, приличное качество на типовых профилях. Минусы тоже: сравнительные исследования показывают, что zero-shot-модели конкурентоспособны, но не всегда обходят хорошо настроенные специализированные детекторы; они дороже по вычислениям на порядок и хуже ведут себя на разреженных, низкоамплитудных и нестандартных рядах. Практический вывод: брать как быстрый бейзлайн для сотен метрик, где настраивать каждую вручную невозможно, а для десятка ключевых метрик оставлять специализированные детекторы, которые дешевле и объяснимее.