La previsión de series temporales ha sido un pilar fundamental en la planificación de recursos empresariales durante décadas. Las predicciones sobre la demanda futura son esenciales para tomar decisiones críticas, como la cantidad de unidades a almacenar, la contratación de personal, las inversiones en infraestructuras de producción y cumplimiento, y la fijación de precios de bienes y servicios. Sin embargo, estas previsiones rara vez son perfectas, y durante la década de 2010, muchas organizaciones reportaban precisiones de previsión de solo un 50-60% debido a limitaciones computacionales y el acceso limitado a capacidades avanzadas.
Con la adopción masiva de la nube y el acceso a fuentes de datos externas como datos meteorológicos y de eventos, las organizaciones comenzaron a ver mejoras en la precisión de las previsiones. Ahora, con la llegada de la IA generativa, una nueva clase de modelos conocidos como transformadores de series temporales promete llevar estas mejoras aún más lejos. Estos modelos, similares a los grandes modelos de lenguaje como ChatGPT, predicen el próximo valor en una secuencia numérica al detectar patrones sutiles en los datos.
Comprendiendo los transformadores de series temporales
Los modelos de IA generativa son una forma de red neuronal profunda, una compleja arquitectura de aprendizaje automático que combina una gran cantidad de entradas para llegar a un valor predicho. La arquitectura especializada de estos modelos, conocida como transformador, es especialmente eficaz en la identificación de relaciones complejas entre valores en secuencias largas.
Para entrenar un transformador de series temporales, se expone a la red neuronal a grandes volúmenes de datos de series temporales, permitiéndole aprender patrones complejos de relaciones. Una vez entrenado, el modelo puede predecir nuevos valores en secuencias previamente no vistas, utilizando el conocimiento adquirido durante el entrenamiento.
Abordando los desafíos comunes en la previsión de series temporales
Aunque el concepto de los transformadores de series temporales es prometedor, los practicantes de previsión pueden enfrentarse a tres desafíos comunes. Primero, las series temporales pueden operar en diferentes escalas, lo que se soluciona mediante técnicas de escalado que permiten al modelo reconocer patrones independientemente de la escala original. Segundo, los patrones estacionales diarios, semanales y anuales deben ser considerados, lo que se logra a través de un proceso de "auto-atención" que permite al modelo identificar la influencia de valores anteriores en un valor futuro. Finalmente, muchas series temporales están influenciadas por factores externos, y algunos modelos de transformadores permiten la incorporación de estas variables en el proceso de previsión.
Una mirada a cuatro modelos populares de transformadores de series temporales
-
Chronos: Desarrollado por Amazon, este modelo de código abierto aborda las previsiones de manera simplista, interpretando las series temporales como un lenguaje con sus propios patrones de relación. A pesar de su enfoque básico, ha mostrado resultados impresionantes como solución general de previsión.
-
TimesFM: Creado por Google Research, este modelo ofrece un control detallado sobre cómo se organizan las entradas y salidas, lo que afecta la detección de patrones estacionales y los tiempos de computación. Es una herramienta poderosa y flexible para la previsión de series temporales.
-
Moirai: Desarrollado por Salesforce AI Research, es un modelo universal que soporta valores faltantes y variables externas. Permite ajustar el tamaño de los fragmentos de datos para sintonizar el modelo con los patrones estacionales, mostrando un buen rendimiento frente a otros modelos.
-
TimeGPT: Un modelo propietario que soporta variables externas pero no valores faltantes. Está enfocado en la facilidad de uso, permitiendo generar previsiones con tan solo una línea de código a través de una API pública.
Comenzando con la previsión de transformadores en Databricks
Con tantas opciones de modelos disponibles, la pregunta clave es cómo comenzar a evaluarlos utilizando datos propios. Databricks, conocido por su escalabilidad y uso eficiente de recursos en la nube, ha sido una plataforma popular para la previsión. La introducción de esta nueva clase de modelos simplemente amplía las opciones para realizar previsiones en este entorno.
Para ayudar a las organizaciones a comprender cómo utilizar estos modelos en Databricks, se ha creado una serie de cuadernos que demuestran cómo generar previsiones con cada uno de los cuatro modelos mencionados. Estos cuadernos pueden descargarse y emplearse en el entorno de Databricks, proporcionando una base para que las organizaciones adapten el código a otros modelos similares y utilicen la IA generativa en sus procesos de planificación de recursos.
Empieza hoy mismo a modelar previsiones en Databricks con esta serie de cuadernos y descubre cómo la IA generativa puede mejorar la precisión de tus previsiones.
