[ad_1]
En la vida, el tiempo es crucial.
Esto es especialmente cierto en los negocios, donde cada organización debe pronosticar ventasRequisitos de demanda, ingresos y capacidad. Los pronósticos precisos, confiables y basados en el tiempo pueden ayudar a todas las organizaciones a ahorrar y ganar miles de millones de dólares.
La previsión de series de tiempo es la base de lo que impulsa una organización. Implica predecir valores futuros basándose en observaciones pasadas recopiladas en períodos de tiempo fijos, ya sea diario, mensual, trimestral o anual.
Se espera que la IA acelere y ajuste la planificación empresarial con modelos subyacentes nuevos, más rápidos y más pequeños diseñados para la previsión de series temporales multivariadas. Estos modelos no necesitan ser el equivalente a un mazo de IA para lograr resultados. Los modelos basados en series temporales u otros modelos de referencia pequeños entrenados con datos seleccionados de alta calidad son más eficientes energéticamente y pueden lograr los mismos o mejores resultados.
Vicepresidente de Inteligencia Artificial y Automatización de IBM Research.
¿Cómo pueden los modelos de IA de series temporales predecir el futuro?
Los modelos de series de tiempo pueden construirse desde cero o adaptarse a partir de modelos previamente entrenados existentes, y se utilizan mejor para predecir resultados en datos de series de tiempo. Tradicionalmente, la inteligencia artificial Grandes modelos lingüísticos Calcula relaciones entre palabras para identificar patrones en los datos que se pueden predecir para tomar mejores decisiones.
Los modelos basados en series de tiempo buscan patrones en observaciones históricas para “comprender” un proceso temporal. Estas representaciones abstractas son las que permiten a los modelos resolver tareas predictivas. Cuanto más larga sea la serie temporal, mejor será el pronóstico.
Sin embargo, este tipo de mediciones introducen complicaciones que las palabras, los símbolos y los píxeles no presentan. Primero, series de tiempo Datos A menudo es continuo: piense en la transmisión de video desde un automóvil autónomo, en las lecturas de temperatura de un reactor o en los datos de frecuencia cardíaca de un reloj inteligente. Hay muchos datos que procesar y se debe mantener cuidadosamente su orden secuencial y su orientación.
Los datos de series temporales varían ampliamente, desde precios de acciones e imágenes de satélite hasta ondas cerebrales y curvas de luz de estrellas distantes. Comprimir observaciones dispares en una representación abstracta es un desafío enorme.
Además, los diferentes conjuntos de datos de series temporales suelen estar altamente correlacionados. En el mundo real, los acontecimientos complejos surgen de múltiples factores. Por ejemplo, la temperatura, la presión y la humedad del aire interactúan fuertemente para influir en el clima. Para predecir un huracán, es necesario saber cómo estas variables se han afectado entre sí en el pasado para comprender cómo se desarrollará el futuro. Los cálculos y las correlaciones entre canales pueden volverse rápidamente abrumadores a medida que aumenta el número de variables, especialmente si se trata de un registro histórico largo.
Cuanto más retrocedas, más complejos se vuelven estos cálculos, especialmente si la variable objetivo se ve afectada por otros factores. Por ejemplo, las ventas de calentadores domésticos pueden estar ligadas al clima o la economía. Cuantas más variables interactúen en cualquier conjunto de datos de series temporales, más difícil será aislar una señal que presagie el futuro.
Rompiendo barreras en el pronóstico de series temporales
Puede resultar complicado crear modelos básicos de IA diseñados para la previsión de series temporales. El gran volumen y la complejidad de las fuentes de datos multicanal junto con las variables exógenas plantean importantes desafíos arquitectónicos para el seguimiento del modelo y requisitos computacionales no triviales, lo que dificulta entrenar y actualizar modelos con una precisión razonable y la ventana de predicción requerida de manera oportuna. Hoy en día, muchos modelos básicos no pueden capturar las tendencias reveladas por los patrones de datos que evolucionan rápidamente, un proceso conocido como “adaptación temporal”. Los modelos básicos de series de tiempo, como MOIRAI, TimesFM y Chronos, se basan en cientos de millones de parámetros que requieren importantes recursos computacionales y tiempo de ejecución.
La próxima ola de innovación
Los investigadores y profesionales están trabajando en nuevas formas de superar estos obstáculos y liberar todo el potencial del uso de la IA en la predicción de series temporales. ¿Pueden los modelos más pequeños, previamente entrenados en conjuntos de datos de series temporales públicos limitados y diversos, proporcionar una mayor precisión de pronóstico? ¡Resulta que la respuesta es sí!
Actualmente se están realizando experimentos para desarrollar modelos de cimientos “pequeños” que estén significativamente por debajo de los parámetros 1B. Los modelos de pronóstico de series temporales más pequeños (parámetros de 1 millón a 3 millones) pueden proporcionar una eficiencia computacional significativa y, al mismo tiempo, lograr resultados de última generación en pronósticos de cero o pocos intentos, cuando los modelos generan pronósticos a partir de conjuntos de datos invisibles. También puede admitir variables entre canales y variables externas, que son características importantes de las que carecen los enfoques populares actuales.
Estos modelos de IA rápidos, pequeños, genéricos y previamente entrenados se pueden poner en funcionamiento rápidamente en casos de uso como la previsión de la demanda de consumo de electricidad. También es lo suficientemente flexible como para incluir otras tareas de series temporales más allá de la previsión. En la detección de anomalías, por ejemplo, estos pequeños modelos se pueden entrenar en conjuntos de datos que incluyen patrones anómalos y regulares, lo que les permite aprender las características de las anomalías y detectar desviaciones del comportamiento normal.
Cada vez vemos más que estos modelos pequeños, combinados con datos empresariales, pueden tener un gran impacto, ofreciendo un rendimiento específico para una misión que rivaliza con los modelos grandes a una fracción del costo. Están preparados para convertirse en la “columna vertebral” de la IA empresarial.
En los próximos años, se espera que la inteligencia artificial ayude a transformar radicalmente el panorama empresarial. Si bien la mayoría de los datos públicos del mundo alimentan los modelos existentes, la gran mayoría de los datos empresariales siguen sin explotar. Se espera que los modelos básicos pequeños y rápidos, que tienen flexibilidad, bajos costos de desarrollo y aplicaciones de amplio alcance, desempeñen un papel importante en esta transformación.
Mostramos las mejores herramientas de IA disponibles actualmente.
Este artículo se produjo como parte del canal Expert Insights de TechRadarPro, donde mostramos las mejores y más brillantes mentes de la industria tecnológica actual. Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí: https://www.techradar.com/news/submit-your-story-to-techradar-pro
[ad_2]
Source Article Link