- Google Research tarafından geliştirilen, zaman serisi tahmini için bir foundation model
- 100 milyar gerçek zaman serisi veri noktasıyla önceden eğitildi
- Çeşitli açık benchmark'larda üstün zero-shot performansı gösteriyor
- Alanı ve zaman birimi farklı veri kümelerine uygulanabiliyor
- Zaman serisi tahmini; perakende, finans, üretim, sağlık ve doğa bilimleri gibi birçok alanda yaygın olarak kullanılıyor
- Örneğin perakende alanında talep tahmini doğruluğunun artması, stok maliyetlerinin azalmasına ve gelirin yükselmesine katkı sağlıyor
- Derin öğrenme modellerinin yükselişi
- Farklı kurulumlarda güçlü performansını kanıtlayan derin öğrenme modelleri, zaman serisi tahmininde yaygın olarak kullanılıyor
- M5 yarışmasında da derin öğrenme modelleri iyi sonuçlar elde etti
- Büyük dil modellerindeki gelişmeler
- Çeviri, arama tabanlı üretim ve kod tamamlama gibi doğal dil işleme görevlerinde kullanılan büyük dil modelleri hızla gelişiyor
- Büyük miktarda metin verisiyle eğitilerek dil örüntülerini tanıma yeteneği kazanıyorlar
- Aramayla birleştirildiklerinde, güncel olaylarla ilgili soruları yanıtlayıp özetleyebilen güçlü bir zero-shot araç olarak kullanılabiliyorlar
- Derin öğrenme tabanlı tahmin modellerinin sınırlamaları
- Geleneksel yöntemlerden daha iyi performans gösterseler de eğitim ve çıkarım maliyetlerini düşürmekte zorlanıyorlar
- Yeni zaman serisi verileri üzerinde modeli test etmeden önce uzun eğitim ve doğrulama döngüleri gerekiyor
- TimesFM, zaman serisi tahmini için yalnızca decoder tabanlı bir foundation model
- 100 milyar gerçek zaman serisi verisiyle önceden eğitilmiş tek bir tahmin modeli
- En yeni büyük dil modellerinden çok daha küçük olan 2 milyon parametreye sahip
- Farklı alanlar ve zaman birimlerindeki veri kümelerinde, zero-shot olarak son teknoloji denetimli öğrenme yaklaşımlarına yakın performans gösteriyor
- Ek eğitim olmadan daha önce görülmemiş zaman serisi verileri için anında uygun tahminler sunuyor
- Kullanıcıların perakende talep planlama gibi gerçek dünyadaki downstream görevlerde tahminleri iyileştirmeye odaklanmasını sağlıyor
- Makale: "A decoder-only foundation model for time-series forecasting", ICML 2024'te sunulacak
GN⁺ görüşü
- Umut vadeden yeni bir zaman serisi tahmin modeli gibi görünüyor; ancak hâlâ çeşitli gerçek kullanım senaryolarında doğrulanması gerekiyor. Özellikle olasılıksal tahmini henüz desteklememesi, pratiklik açısından bir eksiklik
- Girdi olarak verilen frekans değerinin, gerçek zaman serisi verisinin frekansını yansıtmak zorunda olmaması ve keyfi olarak ayarlanabilmesi ilginç; ancak hangi değerin en iyi olacağını her veri ve kullanım senaryosu için denemek gerekecek gibi görünüyor
- Yayınlanan ilk checkpoint tek değişkenliye odaklandığı için, çok değişkenli tahmin yapabilen bir sürümü de bekleniyor. Çok değişkenli zaman serisi tahmini benchmark veri kümelerindeki performans karşılaştırmalarına da ihtiyaç var gibi görünüyor
- Bu modeli kullanmaya başlarken, tahmin edilecek zaman serisinin özelliklerine (uzunluk, dağılım, mevsimsellik, frekans vb.) ve gereken tahmin ufkuna göre modeli seçip ince ayar yapabilecek uzman personele ihtiyaç duyulacaktır. End-to-end çıkarım API'si sunması kullanımı kolaylaştırıyor gibi görünse de, black-box modelin sınırlamaları da göz önünde bulundurulmalı
- Benzer diğer zaman serisi tahmin kütüphaneleri arasında Meta'nın Kats'i, GluonTS, Darts ve sktime yer alıyor. Her kütüphanenin özellikleri ile artı ve eksi yönleri karşılaştırıldıktan sonra, gerçek veriye en uygun modelin seçilmesi daha doğru olacaktır
Henüz yorum yok.