Noch ein weiterer Hinweis zum Ressourcenbedarf:
TFS basiert auf einer vollwertigen Transformer-Architektur, also auf derselben Grundidee, die auch hinter Modellen wie ChatGPT, Claude oder Grok steckt. Der Unterschied ist natürlich: TFS schreibt keine Texte und keine Gedichte, sondern ist ausschließlich auf Solar- und Energieprognosen spezialisiert.
Durch das von mir durchgeführte Pre-Training ist TFS bereits kaltstartfähig.
Das bedeutet: Das Modell braucht nicht erst eine große Menge lokaler Anlagendaten, um grundsätzlich arbeiten zu können. Es ist also nicht problematisch, wenn anfangs erst wenige SFML-Samples vorhanden sind.
Wichtig ist nur:
Wenn die SFML-Datenbank komplett leer ist, bleibt TFS zunächst inaktiv und startet erst, sobald mindestens 10 Samples vorhanden sind.
Beim ersten Start benötigt TFS etwas mehr Ressourcen, weil sich das System zunächst auf die vorhandene Anlage einstellt. Dabei werden die von SFML bereitgestellten Anlagendaten mit dem bereits vortrainierten Modellwissen abgeglichen und für die lokale Laufzeit angepasst.
Das passiert aber nur zu Beginn bzw. nach einer relevanten Anpassung.
Danach bleibt TFS im normalen Betrieb sehr ruhig im Speicher, rechnet nur bei Bedarf und verursacht im Leerlauf praktisch keine CPU-Last.
Die CPU geht dann nahezu auf null zurück, und der RAM-Bedarf liegt bei den empfohlenen 8 GB Gesamtspeicher typischerweise bei ungefähr 5 %.



