MODELOS FUNDAÇÃO e o Chronos-2
- Luiz de Campos Salles
- 12 de fev.
- 3 min de leitura
https://blog.gopenai.com/from-llms-to-time-series-the-next-wave-of-ai-foundation-models-b43f8d9bdacf
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
Faça um resumo de 2/3 páginas de: [https://blog.gopenai.com/from-llms-to-time-series-the-next-wave-of-ai-foundation-models-b43f8d9bdacf](https://blog.gopenai.com/from-llms-to-time-series-the-next-wave-of-ai-foundation-models-b43f8d9bdacf)
O artigo argumenta que uma nova geração de Modelos Fundamentais de Séries Temporais (TSFMs) está a estender a revolução dos transformadores além da linguagem, imagens e áudio para domínios como vendas, procura, fluxos de caixa, sinais biológicos e redes, aprendendo o conceito de tempo em vez de apenas conjuntos de dados específicos.
De LLMs para séries temporais
Os LLMs e os agentes de IA dominam atualmente a atenção, mas as mesmas arquiteturas transformadoras subjacentes estão a ser adaptadas a dados comerciais dependentes do tempo, como vendas, necessidades de pessoal e receitas. Os TSFMs, exemplificados pelo Chronos-2 de pesos abertos da Amazon, aprendem padrões temporais como sazonalidade, tendências, pontos de viragem e efeitos de eventos (por exemplo, Black Friday) a partir de milhões de séries temporais em todos os setores. Em vez de treinar um modelo personalizado para cada empresa, esses modelos básicos transferem sua ampla compreensão temporal para novos conjuntos de dados, permitindo previsões mais robustas com muito menos trabalho personalizado.
Por que esta onda é importante
Historicamente, a previsão exigia equipas especializadas em ciência de dados, engenharia de recursos extensiva e ajuste pesado de modelos para alcançar uma precisão aceitável. Os TSFMs simplificam radicalmente esse pipeline: os desenvolvedores agora podem construir sistemas de previsão em minutos que muitas vezes superam os métodos tradicionais sem qualquer retreinamento, transformando efetivamente a previsão em uma capacidade quase plug-and-play. Essa mudança reduz a barreira para as organizações operacionalizarem a previsão e abre a porta para incorporar inteligência preditiva diretamente em produtos e fluxos de trabalho.
Exemplo: calções, luvas e clima
Para ilustrar o Chronos-2, o autor usa um conjunto de dados sintéticos de retalho para dois produtos, luvas e calções, com vendas diárias e temperatura como entradas, além de efeitos de calendário e es, como a Black Friday e o Natal. As luvas mostram uma correlação inversa com a temperatura, com a procura a aumentar a cada inverno, à medida que as temperaturas caem abaixo de zero, enquanto os calções exibem o padrão oposto, atingindo o pico quando as médias diárias excedem os 25 °C. Ambos os produtos também mostram aumentos acentuados na procura no final de novembro e dezembro, capturando o efeito combinado do clima e dos eventos de compras no comportamento do consumidor e fornecendo uma rica estrutura temporal para o modelo aprender.
Usando o Chronos-2 na prática
O Chronos-2 é acessado por meio de um pipeline Python que lida com todo o fluxo de trabalho de previsão: carregar o modelo pré-treinado, ingestão de um DataFrame com carimbos de data/hora, IDs de itens, alvos e covariáveis (por exemplo, temperatura) e produção de previsões para um horizonte especificado. Com algumas linhas de código, um programador descarrega o modelo, chama predict_df com parâmetros como comprimento da previsão, níveis de quantil e nomes de colunas, e recebe valores previstos para cada carimbo de data/hora futuro. O modelo produz vários quantis (por exemplo, 10º, 50º, 90º percentis) por etapa de tempo, permitindo aos utilizadores construir intervalos de previsão e quantificar a incerteza em torno das previsões de procura.
Previsão de um ano não visto
O artigo avalia o Chronos-2 num ano de retenção (2024), comparando as suas previsões com a procura sintética real por luvas e calções após o término dos dados de treino em 2023. O Chronos-2 acompanha quase perfeitamente o ano não visto no modo zero-shot: ele reproduz os aumentos no inverno para luvas, os picos no verão para calções e os picos de férias em torno da Black Friday e do Natal. Os seus intervalos de confiança aumentam em períodos de alta volatilidade, como promoções de férias, e diminuem em meses mais estáveis, indicando estimativas de incerteza calibradas em vez de variância ingênua.
Principais conclusões e implicações
O autor conclui que modelos básicos de séries temporais como o Chronos-2 estão a transformar a previsão de uma tarefa complexa e pesada em uma capacidade rápida, acessível e orientada por dados para desenvolvedores em geral. As principais vantagens são que o Chronos-2 compreende o tempo sem engenharia manual de recursos, oferece suporte a previsões zero-shot de alta qualidade e captura padrões sazonais e orientados por eventos do mundo real. O que antes levava meses de experimentação agora pode ser alcançado em minutos, sugerindo que os modelos básicos estão silenciosamente remodelando a ciência de dados aplicada, estendendo o aprendizado baseado em transformadores para a “linguagem do tempo”.
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
O Chronos-2 é uma criação da Amazon Web Services (AWS).