Google nauczył TimesFM-3 patrzeć w przyszłość w jednym cyklu

Model nowej generacji potrafi uwzględnić przyszłe zdarzenia

Google Research zaprezentowało trzecią generację swojego modelu fundamentalnego dla szeregów czasowych, osiągającego 330 milionów parametrów. Podczas gdy starsze wersje potrafiły ekstrapolować tylko jedną zmienną z jej własnej historii, TimesFM-3 potrafi obserwować kilka korelujących wykresów jednocześnie. Co najważniejsze, model akceptuje znane przyszłe wydarzenia (jak zaplanowany marketing czy prognozy pogody) i uwzględnia je w wyniku przed ich faktycznym zajściem.

Contiguous Patch Masking rozwiązuje cały horyzont naraz

Z punktu widzenia infrastruktury zmienia się sposób, w jaki model generuje wyniki. Zamiast dekodowania autoregresywnego, gdzie każda kolejna wartość jest obliczana na podstawie poprzedniej, Google wprowadza Contiguous Patch Masking. Model przygotowuje puste pola dla całej osi czasu i wypełnia je w jednym przejściu korzystając z uwagi między zmiennymi.

Natywna integracja z firmowymi danymi uzależnia firmy od chmury

Choć model obiecuje wybawienie od precyzyjnego dostrajania do konkretnych zadań, rzeczywistość wdrożeń w chmurze oznacza uzależnienie od platformy. Kluczowy test nadejdzie w nadchodzących tygodniach wraz z integracją w BigQuery, gdzie funkcja dotrze do firmowych danych za pomocą prostego polecenia SQL AI.FORECAST.

Przekazanie zapasów algorytmowi będzie prawdziwym sprawdzianem

Przyszły sygnał sukcesu nie leży w benchmarkach, w których model obecnie przoduje, ale w adopcji przez korporacje. Prawdziwym sprawdzianem będzie to, czy sieci detaliczne odważą się oddać zarządzanie zapasami nieliniowemu modelowi, zamiast trzymać się trzyletnich średnich w Excelu.

Werdykt Lilith

Porzucenie Excela i pozwolenie algorytmowi na wypełnienie pięćdziesięciu komórek kalendarza w jednym rzucie brzmi kusząco. Ale w dniu, w którym model źle obliczy święto, a w całej Europie zabraknie bułek, wina spadnie bezpośrednio na człowieka, który odpalił AI.FORECAST.