0mswa38s5kihuqc O.png

Próximamente se publicarán el código, los pesos del modelo y los datos.

Fuente de imagen: [1]

¡Los modelos básicos de series temporales finalmente están despegando!

Los artículos anteriores exploraron 2 modelos de pronóstico básicos prometedores, TimeGPT y HorariosFM.

Este artículo explorará MOIRAI [1]un modelo básico de TS innovador de Salesforce. MOIRAI es increíble en términos de rendimiento, pero lo más importante es que los autores se han comprometido a abrir el modelo y su conjunto de datos de entrenamiento.

Esto se menciona en un tweet. aquí por Caiming Xiong, vicepresidente de IA en Salesforce y uno de los autores del artículo

Las principales contribuciones de este trabajo son las siguientes:

  • MOIRAI: Una novedosa arquitectura transformador-codificador, que funciona como un modelo universal de pronóstico de series temporales.
  • MUCHO (Archivo grande de series temporales abiertas): La colección más grande de conjuntos de datos de series temporales abiertas con 27 mil millones de observaciones en 9 dominios.
  • UNIDADES: una biblioteca de código abierto para entrenar modelos de series temporales universales.

Además, este artículo analiza:

  1. Cómo MOIRAI funciona y por qué es un modelo poderoso.
  2. Cómo MOIRAI funciona en comparación con TimesFM de Google
  3. MOIRAI resultados de referencia.
  4. Por qué MOIRAI revolucionará el campo de la previsión TS.

Empecemos.

he lanzado Pronóstico del horizonte de IA, un boletín que se centra en series temporales e investigaciones innovadoras en IA. Suscribir aquí para ampliar tus horizontes!

Describimos los desafíos en detalle aquí. En resumen, estos son:

  • Dificultad para encontrar datos públicos de series temporales – para entrenar un modelo básico de series de tiempo.
  • Los datos de series temporales son muy heterogéneos – a diferencia de la PNL, donde los datos tienen una gramática y un vocabulario bien definidos.
  • Las series de tiempo pueden ser multivariadas – a diferencia de la PNL, donde la entrada es unidimensional.
  • Las series temporales tienen diferentes granularidades — diario, semanal, mensual, etc.