- Ajaseeria andmete põhikomponentide, sh trendi, hooajalisuse ja müra mõistmine.
- Traditsiooniliste prognoosimismeetodite (nt SARIMA ja Holt-Winters) võrdlus tänapäevaste tehisintellektil põhinevate lähenemisviisidega.
- Ajaseeria alusmudelite (TSFM) tekkimise ja nende valdkondadevaheliste rakenduste uurimine.
- Trafode tehnilise arhitektuuri ja paikamise analüüs numbrilise järjestuse ennustamisel.
Kui me sukeldume andmete maailma, siis ajalised mustrid on põhimõtteliselt iga aja jooksul muutuva järjestuse südamelöögid. Olenemata sellest, kas jälgite aktsiahindu või patsiendi südame löögisagedust, on eesmärk alati sama: välja selgitada, mis juhtus minevikus, et arvata, mis edasi saab. Asi ei ole ainult punktide graafikule joonistamises; see seisneb arvude arengut reguleerivate varjatud rütmide dešifreerimises .
Pikka aega tuginesime selleks jäikadele matemaatilistele valemitele, kuid viimasel ajal on asjad teistmoodi läinud. Nüüd näeme tohutut hüpet lihtsatelt statistilistelt mudelitelt ajaseeria alusmudelite (TSFM) poole , mis on nagu numbrilise maailma õigusteaduslikud mudelid (LLM-id). Need tööriistad võimaldavad meil üldistada mustreid erinevate tööstusharude vahel, ilma et peaksime iga kord uue andmestikuga kokku puutudes nullist alustama.
Põhitõdede lahtiharutamine: trendid, hooajalisus ja müra
Enne tuleviku ennustamist tuleb andmed lahti võtta. See protsess, mida nimetatakse dekompositsiooniks, jagab seeria kolmeks peamiseks koostisosaks. Esiteks on trend , mis on üldine pikaajaline suund – kas andmed liiguvad üldiselt üles- või allapoole või jäävad samaks? Seejärel on meil hooajalisus , mis viitab ennustatavatele kõikumistele, mis korduvad iga kindla intervalliga, näiteks jäätisemüügi järsk tõus igal suvel.
Lõpuks on olemas juhuslikkus ehk müra . See on kaootiline kraam, mis jääb alles pärast trendi ja hooajaliste mustrite eemaldamist. Nende elementide isoleerimiseks toetuvad analüütikud sageli sellistele tehnikatele nagu eksponentsiaalne silumine, libisevad keskmised või hooajaline korrigeerimine . Tasub märkida, et kuigi mõned eeldavad, et hooajalisus on alati olemas, võib tühi ACF (autokorrelatsioonifunktsiooni) graafik viidata sellele, et hooajaline mudel, nagu SARIMA või Holt-Winters, ei sobi tegelikult selle konkreetse andmestiku jaoks, isegi kui sagedus on igakuine või kvartaalne.
Uus ajastu: aegridade alusmudelid (TSFM-id)
Ja nüüd lähevad asjad tõeliselt huvitavaks. TSFM-id on eelnevalt koolitatud hiiglased, mis suudavad hakkama saada prognoosimise, klassifitseerimise ja anomaaliate tuvastamisega erinevates valdkondades ilma iga ülesande jaoks eraldi mudelit vajamata. Selle asemel, et koolitada ühte mudelit jaemüügi ja teise energia jaoks, kasutavad need süsteemid transformaatorpõhiseid arhitektuure , et õppida aja üldist „grammatikat“. Nad kasutavad tohutuid andmekogumeid, et mõista, kuidas numbrilised jadad reaalsetes tingimustes käituvad.
- Amazon Chronos-2: Ainult kodeerijaga mudel, mis põhineb T5 arhitektuuril ja on leidnud tohutu kasutuselevõtu.
- Salesforce Moirai-2: Ainult dekoodril põhinev transformaator, mida treeniti vapustava LOTSA andmestiku peal, mis sisaldab miljardeid vaatlusi.
- Google TimesFM-2.5: Kompaktne, kuid võimas mudel umbes 200 miljoni parameetri ja pika kontekstiaknaga, mis on loodud kiire järeldus ja kõrge täpsus.
- Päikesekell: Tsinghua ülikooli spetsialiseeritud mudel, mis saavutab pidevalt turu võrdlusalustes parimaid hindeid.
Kuidas tehnoloogia tegelikult töötab
Erinevalt tekstipõhisest tehisintellektist ei vaata TSFM-id sõnu, vaid külgnevate ajapunktide plaastreid . Need plaastrid teisendatakse mitmekihilise perceptroni (MLP) ja positsiooniliste kodeeringute abil manusteks, et säilitada kronoloogiline järjestus . Nutikas disainivalik sellistes mudelites nagu TimesFM ennustab pikemat väljundplaastrit kui sisendit, mis vähendab iteratiivseid samme ja hoiab ära vigade lumepalliefekti pika aja jooksul.
Nende mudelite töökindlamaks muutmiseks segavad arendajad sageli sünteetilisi andmeid – aja põhireeglite õpetamiseks – reaalsete andmetega sellistest allikatest nagu Wikipedia lehevaatamised või Google Trends. See hübriidlähenemine võimaldab mudelil saavutada nullpunkti jõudlust , mis tähendab, et see suudab pakkuda korralikke prognoose andmestiku kohta, mida pole varem nähtud, ilma täiendava peenhäälestamiseta.
Reaalmaailma rakendused erinevates tööstusharudes
Nende mudelite mitmekülgsus on ausalt öeldes hämmastav. Jaemüügis aitavad need ennustada nõudlust SKU tasandil, võttes arvesse pühi ja sooduspakkumisi. Finantssektoris on TSFM-id päästerõngad müraste andmete või äsja turule tulnud varadega tegelemisel, pakkudes turvavõrku, kui traditsioonilised mudelid nagu GARCH või ARIMA tururežiimi muutuste tõttu ebaõnnestuvad.
Meditsiinitöötajad kasutavad neid mustreid patsientidele varajase hoiatamise süsteemide loomiseks või kliinilistes uuringutes peente anomaaliate leidmiseks. Samal ajal tegelevad nad energeetikasektoris taastuvenergia volatiilsusega, kombineerides tarbimisajalugu väliste teguritega, näiteks tuule kiirusega. Isegi tootmises suudavad need mudelid märgata masina rikete varajasi märke, analüüsides andurite sõltuvust pika aja jooksul.
Takistused ja kompromissid
Kõik pole siiski ainult ilus ja ilus. TSFM-id seisavad silmitsi tõsiste vastuoludega. Esiteks puudub universaalne numbrigrammatika – erinevalt keelest kasutavad erinevad tööstusharud erinevaid valimisagedusi. Samuti tekivad privaatsusprobleemid eelkoolituseks vajalike tohutute andmemahtude kogumisel ning arvutuskulud võivad olla üsna suured.
Võrreldes neid õigusteaduse valdkonna magistriõppega (LLM), on TSFM-id üldiselt väiksemad ja fookuselisemad . Nad ei püüa kirjutada luulet, vaid püüavad säilitada sidusust hooajalisuse ja trendidega. Kuigi traditsiooniline interpoleerimine lihtsalt ühendab punkte, saab TSFM-põhine imputeerimine täita puuduvaid andmelünki, kasutades ära teistest mitmekesistest andmekogumitest õpitud mustreid.
Üleminek jäikadelt statistilistelt raamistikelt paindlikule ja eelnevalt treenitud tehisintellektile kujutab endast tohutut muutust ajaliste andmete käsitlemises. Kombineerides klassikalise dekompositsiooni transformaatorarhitektuuride toore võimsusega , saame nüüd lahendada kõike alates linnade ummikutest kuni kliimatsükliteni palju suurema täpsuse ja väiksema käsitsi pingutusega kui kunagi varem.
