다양한 실제 시스템의 시계열 데이터에서 이상 징후 예측은 중요한 과제이며, 운영 비용 절감과 인적 자원 절약에 기여합니다. 기존 방법들은 특정 시스템에 국한되어 있으며, 시간의 흐름에 따라 변화하는 이상 징후 패턴에 대한 일반화 능력이 부족합니다. 본 논문에서는 사전 학습된 시계열 기반 모델(TSFM)을 활용하여 이상 징후 예측 능력을 향상시키는 Forecast2Anomaly (F2A) 프레임워크를 제안합니다. F2A는 예측과 이상 징후를 결합한 손실 함수와, 과거 정보를 활용하는 Retrieval-Augmented Generation (RAG) 모듈을 통해 TSFM을 미세 조정합니다. F2A는 16개의 다양한 데이터셋과 여러 TSFM 백본을 대상으로 한 실험에서 기존 최고 성능의 방법들을 능가하며, 확장 가능하고 제로샷 이상 징후 예측 솔루션을 제공합니다.
