La previsió de sèries temporals ha estat un pilar fonamental per a la planificació de recursos empresarials durant dècades. Les prediccions sobre la demanda futura són essencials per prendre decisions crucials, com determinar els nivells d'inventari, contractar personal, fer inversions de capital en la producció i la infraestructura de compliment, i fixar els preus dels productes i serveis. No obstant això, aquestes previsions sovint no són perfectes i, durant la dècada de 2010, moltes organitzacions van reportar una precisió en les previsions d'entre el 50 i el 60% a causa de limitacions computacionals i l'accés limitat a capacitats avançades de previsió.
Amb l’adopció massiva del núvol i la millora en l’accessibilitat a fonts de dades externes com la meteorologia i les dades d’esdeveniments, les organitzacions van començar a veure millores en la precisió de les previsions. Ara, amb l’arribada de la IA generativa, una nova classe de models coneguts com a transformadors de sèries temporals es prepara per portar aquestes millores encara més lluny. Aquests models, similars als grans models de llenguatge com ChatGPT, prediuen el següent valor en una seqüència numèrica identificant patrons subtils en les dades.
Comprendre els Transformadors de Sèries Temporals
Els models d'IA generativa són una forma de xarxa neuronal profunda, una arquitectura complexa d’aprenentatge automàtic que combina nombroses entrades per arribar a un valor predit. L'arquitectura especialitzada d'aquests models, coneguda com a transformador, és particularment efectiva per reconèixer relacions complexes entre valors en llargues seqüències.
Per entrenar un transformador de sèries temporals, una xarxa neuronal profunda s'exposa a grans volums de dades de sèries temporals, cosa que li permet aprendre patrons complexos de relacions. Un cop entrenat, el model pot predir nous valors en seqüències mai vistes abans, utilitzant els coneixements adquirits durant l’entrenament.
Abordar els Reptes Comuns en la Predicció de Sèries Temporals
Tot i que el concepte de transformadors de sèries temporals és prometedor, els professionals de la previsió poden enfrontar-se a tres reptes comuns. Primer, les sèries temporals poden operar en escales diferents, i això s’aborda mitjançant tècniques d’escalat que permeten al model reconèixer patrons independentment de l'escala original. Segon, cal tenir en compte els patrons estacionals diaris, setmanals i anuals, i això s’aconsegueix mitjançant un procés anomenat autoatenció, que permet al model identificar la influència de valors anteriors en un valor futur. Finalment, moltes sèries temporals es veuen influenciades per factors externs, i alguns models de transformador incorporen aquestes variables en el procés de previsió.
Una Mirada a Quatre Models Populars de Transformadors de Sèries Temporals
-
Chronos: Desenvolupat per Amazon, aquest model de codi obert adopta un enfocament senzill interpretant les sèries temporals com un llenguatge especialitzat amb els seus propis patrons de relació. Malgrat el seu enfocament bàsic, ha demostrat resultats impressionants com a solució general de previsió.
-
TimesFM: Creat per Google Research, aquest model ofereix un control detallat sobre com s'organitzen les entrades i sortides, afectant la detecció de patrons estacionals i els temps de càlcul. És una eina poderosa i flexible per a la previsió de sèries temporals.
-
Moirai: Desenvolupat per Salesforce AI Research, aquest model universal suporta valors perduts i variables externes. Permet ajustar el model als patrons estacionals de les dades mitjançant la modificació de la mida dels fragments de dades, mostrant un bon rendiment en comparació amb altres models.
-
TimeGPT: Un model propietari que admet variables externes però no valors perduts. Se centra en la facilitat d’ús, permetent a les organitzacions generar previsions amb només una línia de codi a través d’una API pública.
Començar amb la Predicció amb Transformadors a Databricks
Amb tantes opcions de model disponibles, la pregunta clau és com començar a avaluar-les utilitzant dades propietàries. Databricks, conegut per la seva escalabilitat i ús eficient dels recursos del núvol, ha estat una plataforma popular per a la previsió. La introducció d’aquesta nova classe de models simplement amplia les opcions per a realitzar previsions en aquest entorn.
Per ajudar les organitzacions a comprendre com utilitzar aquests models a Databricks, s'ha creat una sèrie de quaderns per demostrar com generar previsions amb cadascun dels quatre models esmentats anteriorment. Aquests quaderns es poden descarregar i utilitzar en l'entorn Databricks, proporcionant una base perquè les organitzacions adaptin el codi a altres models similars i aprofitin la IA generativa en els seus processos de planificació de recursos.
Comenceu avui mateix amb la modelització de previsions a Databricks amb aquesta sèrie de quaderns i descobriu com la IA generativa pot millorar la precisió de les vostres previsions.
