La investigación de Salesforce AI ha presentado Moirai 2.0el último avance en los modelos de la Fundación World of Time Series. Construido sobre un arquitectura de transformador solo decodificadorMoirai 2.0 establece una nueva barra para el rendimiento y la eficiencia, reclamando el lugar #1 en el Punto de referencia de regalos-El Norma de oro para la evaluación del modelo de pronóstico de series de tiempo. No solo es 44% más rápido en inferencia y 96% más pequeño en tamaño en comparación con su predecesor, pero este salto sustancial viene sin sacrificar la precisión—Construyendo un cambio de juego tanto para la investigación como para los entornos empresariales.
¿Qué hace que Moirai 2.0 sea especial?
Innovaciones de arquitectura
- Transformador de solo decodificador: El cambio de un codificador enmascarado a un transformador de decodificador solo permite a Moirai 2.0 para modelar una mejor generación de pronóstico autorregresivo, mejorando la escalabilidad y el rendimiento en conjuntos de datos más grandes y complejos.
- Predicción eficiente de múltiples token: Al predecir múltiples tokens a la vez (en lugar de solo uno), el modelo logra una mayor eficiencia y estabilidad durante el pronóstico.
- Filtrado de datos avanzado: Las series de tiempo de baja calidad y no forecidas se filtran automáticamente durante el entrenamiento, mejorando la robustez.
- Inquieto de token de parche y enmascaramiento aleatorio: Nuevas técnicas para codificar la información de valor faltante y la solidez a los datos incompletos durante la inferencia.
Conjunto de datos expandido para el pretrén
Moirai 2.0 aprovecha un Una combinación más rica de datos de entrenamiento:
- Conjuntos del mundo real como Pretra de regalo de regalo y Tren
- Mezcla de Chronos: Mezcla de series de tiempo sintéticas para la diversidad
- Kernelsynth Procedimientos de la investigación de Chronos
- Datos operativos internos de Salesforce TI Systems
Esta base de datos amplios permite a Moirai 2.0 generalizar en innumerables tareas y dominios de pronóstico.
Rendimiento: Breaking New Ground
Moirai 2.0 es un salto más allá de sus predecesores:
- La mejor puntuación de Mase sobre regalos-eval para modelos que no rompen datos (métrica aceptada en la industria para la precisión del pronóstico)
- Rendimiento de CRPS coincidencias anteriores de última generación
- Comparado con Moirai_Large:
- 16% mejor en Mase
- 13% mejor en CRPS
- 44% más rápido en inferencia
- 96% de tamaño de parámetro más pequeño
Estos resultados hacen que el pronóstico escalable de alto rendimiento sea más accesible para una audiencia más amplia.
Por qué Moirai 2.0 es importante para los practicantes
Las capacidades de Moirai 2.0 se extienden más allá de los puntos de referencia académicos en dominios de la empresa crítica como:
- Operaciones de TI: Escala de capacidad proactiva, detección de anomalías
- Pronóstico de ventas: Predicciones de ingresos precisas y escalables
- Pronóstico de demanda: Gestión de inventario optimizado
- Planificación de la cadena de suministro: Mejor programación, desechos reducidos
- Y muchos más procesos comerciales basados en datos
Con el tamaño del modelo dramáticamente reducido y la velocidad mejorada, ahora se puede aplicar el pronóstico de alta calidad a escala, lo que impulsa a las empresas para tomar decisiones más inteligentes y más rápidas, independientemente de su infraestructura de datos.
Comenzando: Moirai 2.0 en la práctica
La integración es perfecta para desarrolladores y científicos de datos. Aquí hay un flujo de trabajo típico, aprovechando módulos de código abierto disponibles en la cara de abrazo:
Muestra de flujo de trabajo de Python
Bibliotecas de importación
import matplotlib.pyplot as plt
from gluonts.dataset.repository import dataset_recipes
from uni2ts.eval_util.data import get_gluonts_test_dataset
from uni2ts.model.moirai2 import Moirai2Forecast, Moirai2Module
Cargar moirai 2.0
model = Moirai2Forecast(
module=Moirai2Module.from_pretrained("Salesforce/moirai-2.0-R-small"),
prediction_length=100,
context_length=1680,
target_dim=1,
feat_dynamic_real_dim=0,
past_feat_dynamic_real_dim=0
)
Cargar conjuntos de datos y generar pronósticos
test_data, metadata = get_gluonts_test_dataset("electricity", prediction_length=None, regenerate=False)
predictor = model.create_predictor(batch_size=32)
forecasts = predictor.predict(test_data.input)
Visualizar resultados
# Example visualization
fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(25, 10))
# Use Moirai plotting utility to display forecasts
Ejemplos completos y enlaces de cuaderno son proporcionados por Salesforce para una experimentación más profunda.
Universal, escalable, robusto
Al democratizar el acceso a la tecnología de pronóstico de punta general de vanguardia, Moirai 2.0 está listo para remodelar el panorama del modelado de series de tiempo. Con flexibilidad en todos los dominios, una mejor robustez, una inferencia más rápida y más bajas demandas computacionales, el modelo de Salesforce AI Research allana el camino para que las empresas e investigadores a nivel mundial aprovechen el poder de pronóstico para la toma de decisiones transformador.
Mira el Detalle técnico y Cara abrazada (modelo). No dude en ver nuestro Página de Github para tutoriales, códigos y cuadernos. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.