Codice, pesi del modello e dati verranno rilasciati presto
8 ore fa
I modelli di base delle serie temporali stanno finalmente decollando!
Gli articoli precedenti hanno esplorato 2 promettenti modelli di previsione di base, TimeGPT e TimesFM.
Questo articolo esplorerà MOIRAI (1)un modello rivoluzionario di fondazione TS di Salesforce. MOIRAI è fantastico in termini di prestazioni, ma, cosa ancora più importante, gli autori si sono impegnati a rendere open source il modello e il relativo set di dati di addestramento!
Questo è menzionato in un tweet Qui di Caiming Xiong, vicepresidente dell'intelligenza artificiale presso Salesforce e uno degli autori dell'articolo
I principali contributi di questo documento sono i seguenti:
- MOIRAI: Una nuova architettura trasformatore-codificatore, che funziona come modello di previsione universale di serie temporali.
- VERGOGNA (Ampio archivio di serie temporali aperto): la più grande raccolta di set di dati di serie temporali aperte con 27 miliardi di osservazioni in 9 domini.
- UNITÀ: una libreria open source per l'addestramento di modelli di serie temporali universali.
Inoltre, questo articolo discute:
- Come MOIRAI funziona e perché è un modello potente.
- Come MOIRAI funziona rispetto a TimesFM di Google
- MOIRAI risultati di riferimento.
- Perché MOIRAI rivoluzionerà il campo delle previsioni TS.
Cominciamo.
Ho lanciato Previsioni dell'orizzonte AI, una newsletter incentrata sulle serie temporali e sulla ricerca innovativa sull’intelligenza artificiale. sottoscrivi Qui per ampliare i tuoi orizzonti!
Abbiamo descritto le sfide in dettaglio qui. Ricapitolando, questi sono:
- Difficoltà a trovare dati di serie temporali pubbliche – per l'addestramento di un modello di fondazione di serie temporali.
- I dati delle serie temporali sono altamente eterogenei – a differenza della PNL, dove i dati hanno una grammatica e un vocabolario ben definiti.
- Le serie temporali possono essere multivariate – a differenza della PNL, dove l'input è unidimensionale.
- Le serie temporali hanno granularità diverse – giornaliero, settimanale, mensile, ecc.
Fonte: towardsdatascience.com
