Команда Google Research представила исследование, которое может радикально изменить работу с временными рядами — одним из самых распространённых типов данных в экономике, науке и промышленности.
Подобно маловыборочному запросу к большой языковой модели (слева), базовая модель временных рядов должна поддерживать маловыборочный запрос с произвольным числом связанных контекстных примеров временных рядов (справа). Оранжевый прямоугольник выделяет входные данные для моделей.
До сих пор анализ таких данных требовал создания отдельных моделей под каждую задачу: прогноз энергопотребления, движение цен на бирже, мониторинг климата или расписание поставок. Но новая методика TimesFM-ICF (in-context fine-tuning) переносит на этот тип данных принципы few-shot обучения, знакомые по языковым моделям.
Объединение контекстных примеров без разделителей может запутать модель — несколько монотонных трендов могут выглядеть как зазубренный, непрерывный шаблон при наивном объединении.
Суть подхода в том, что модель получает «на вход» несколько примеров вместе с историей данных, после чего способна адаптироваться к новой задаче без отдельного переобучения. То есть вместо недель или месяцев работы с датасетами теперь достаточно пары минут для настройки.
TimesFM-ICF улучшает производительность TimesFM (Base) по сравнению со многими узкоспециализированными моделями и достигает той же производительности, что и TimesFM-FT, которая является версией TimesFM, точно настроенной для каждого конкретного набора данных, соответственно.
Эксперименты на 23 разных наборах данных показали прирост точности на 6,8% по сравнению с классическими методами. Причём качество прогнозов оказалось сопоставимо с тем, что показывают модели, обученные под конкретные задачи.
Это открывает новые горизонты:
• для финансовых организаций — быстрый анализ рынков в реальном времени,
• для энергетики — более гибкие прогнозы потребления и распределения ресурсов,
• для здравоохранения — мониторинг состояния пациентов с учётом динамики показателей.
Google делает ставку на универсальность. Вместо сотен моделей для каждой отрасли одна база может адаптироваться к любому применению. Такой подход удешевляет разработку, ускоряет внедрение и потенциально меняет рынок прогнозной аналитики.
Делегируйте часть рутинных задач вместе с BotHub! Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!
Источник
Источник: habr.com