Google presenta TimesFM-3, un modello di intelligenza artificiale per prevedere le serie temporali

Google Research ha introdotto TimesFM-3, un modello di intelligenza artificiale progettato per prevedere il futuro sulla base di serie temporali, come le vendite giornaliere. Questo modello analizza anche dati correlati ed eventi futuri noti. Google ha illustrato il suo approccio utilizzando l'esempio di una catena di vendita al dettaglio che desidera prevedere le vendite di gelati. Una previsione accurata dovrebbe tenere conto di prodotti correlati come coni gelato o sciroppi, oltre al precedente afflusso di clienti nel negozio, alle condizioni meteorologiche, alle promozioni e alle festività.

TimesFM-3 si basa sull'architettura Transformer, la stessa dei suoi predecessori. Raggruppa 32 misurazioni consecutive in un blocco e scala ogni serie su un'unica scala, consentendo il confronto di misurazioni di diversa grandezza. Il modello elabora i dati in due direzioni alternate: lungo l'asse temporale, cerca schemi all'interno di una singola serie, accedendo solo ai valori passati per evitare di utilizzare dati futuri; trasversalmente, confronta tutte le serie in un dato momento per comprendere le loro relazioni. In questo modo, può determinare come una promozione su un prodotto influenzi le vendite di un altro.

TimesFM-3 ha 330 milioni di parametri ed è stato addestrato con serie temporali reali e generate artificialmente, provenienti da oltre mille miliardi di punti di misurazione. Come i suoi predecessori, opera in modalità "zero-shot", il che significa che non richiede un addestramento aggiuntivo per nuove attività. Il modello gestisce tre tipi di dati aggiuntivi: prevede più misurazioni correlate contemporaneamente, incorpora fattori noti solo per il passato e utilizza eventi futuri noti come promozioni pianificate o previsioni meteorologiche. Invece di fornire una singola stima, TimesFM-3 produce nove valori per ogni punto temporale, rappresentando l'intervallo e l'incertezza della previsione.

A differenza delle versioni precedenti, che prevedevano il futuro blocco per blocco, TimesFM-3 contrassegna tutti i punti temporali futuri come spazi vuoti e li riempie in un unico passaggio, risparmiando tempo e potenza di calcolo. Google ha dimostrato i vantaggi di questo approccio con l'esempio delle vendite di gelati: un modello che considera solo le vendite passate continua il solito schema settimanale, mentre TimesFM-3, conoscendo il piano delle promozioni, impara dalla storia come le promozioni influenzino le vendite e prevede un aumento del 20% durante i giorni di promozione.

TimesFM-3 ha ottenuto il primo posto in tre test di riferimento, Gift-Eval, FEV-Bench e Time, superando modelli come Chronos-2 di Amazon, la famiglia Toto-2.0 e il suo predecessore TimesFM-2.5, sia in termini di accuratezza che di stima dell'incertezza. Il modello è disponibile su GitHub e Hugging Face, e sarà integrato nel servizio BigQuery di Google nelle prossime settimane.