مُوراي 2.0: ثورة في نماذج التنبؤ بالمتسلسلات الزمنية من سيلزفورس

أعلنت سيلزفورس للذكاء الاصطناعي مؤخراً عن إطلاق مُوراي 2.0، أحدث إصدار من نماذج التنبؤ بالمتسلسلات الزمنية. يُعد هذا النموذج نقلة نوعية في مجال التنبؤ، حيث حقق المركز الأول في معيار GIFT-Eval، وهو المعيار العالمي لقياس دقة نماذج التنبؤ بالمتسلسلات الزمنية. يتميز مُوراي 2.0 بسرعة استنتاج أعلى بنسبة 44% وحجم أصغر بنسبة 96% مقارنةً بسلفه، دون المساومة على الدقة، مما يجعله ثورة حقيقية في مجالي البحث والتطبيقات التجارية.

ما الذي يجعل مُوراي 2.0 مميزاً؟

يعتمد مُوراي 2.0 على عدة ابتكارات تقنية رئيسية:

الابتكارات المعمارية:

• محول فك التشفير فقط (Decoder-only Transformer): على عكس المحولات التقليدية التي تستخدم مُشفّرًا مُقنّعًا، يستخدم مُوراي 2.0 محول فك تشفير فقط. يُحسّن هذا النهج من قدرة النموذج على توليد التنبؤات التلقائية، ويعزز قابلية التوسع والأداء على مجموعات البيانات الأكبر والأكثر تعقيدًا.
• التنبؤ متعدد الرموز (Efficient Multi-Token Prediction): يتنبأ النموذج بعدة رموز في وقت واحد بدلاً من رمز واحد، مما يحقق كفاءة واستقرارًا أكبر أثناء عملية التنبؤ.
• تصفية البيانات المتقدمة (Advanced Data Filtering): يتم تصفية المتسلسلات الزمنية منخفضة الجودة وغير قابلة للتنبؤ تلقائيًا أثناء التدريب، مما يحسّن من قوة النموذج وقدرته على التعامل مع البيانات الضخمة.
• ترميز التصحيح العشوائي (Patch Token Embedding & Random Masking): تقنيات جديدة لترميز معلومات القيم المفقودة وتعزيز قوة النموذج تجاه البيانات غير المكتملة أثناء الاستنتاج.

مجموعة بيانات موسعة للتدريب:

تم تدريب مُوراي 2.0 على مجموعة بيانات غنية ومتنوعة تشمل:

• مجموعات بيانات واقعية مثل GIFT-Eval Pretrain و Train Chronos.
• مزج متسلسلات زمنية اصطناعية لضمان التنوع (Chronos mixup).
• إجراءات KernelSynth من بحث Chronos.
• بيانات تشغيلية داخلية من أنظمة تكنولوجيا المعلومات في سيلزفورس.

هذه القاعدة الواسعة من البيانات تُمكّن مُوراي 2.0 من التعميم عبر العديد من مهام التنبؤ والمجالات المختلفة.

الأداء: إنجازات جديدة

يُعد مُوراي 2.0 نقلة نوعية مقارنةً بأسلافه:

• أفضل نتيجة MASE على GIFT-Eval للنماذج التي لا تُسرّب البيانات: (وهو مقياس مُعتمد في الصناعة لدقة التنبؤ).
• أداء CRPS يُضاهي أحدث تقنيات التنبؤ.
• مقارنةً بـ Moirai_large:
  • تحسن بنسبة 16% في MASE.
  • تحسن بنسبة 13% في CRPS.
  • سرعة استنتاج أعلى بنسبة 44%.
  • حجم المعلمات أصغر بنسبة 96%.

هذه النتائج تجعل التنبؤ عالي الأداء وقابل للتوسع أكثر سهولة للجميع.

أهمية مُوراي 2.0 للمختصين

تتجاوز قدرات مُوراي 2.0 المعايير الأكاديمية لتشمل مجالات حيوية في المؤسسات، مثل:

• عمليات تكنولوجيا المعلومات: التوسع الاستباقي في السعة، والكشف عن الشذوذ.
• التنبؤ بالمبيعات: تنبؤات إيرادات دقيقة وقابلة للتوسع.
• التنبؤ بالطلب: إدارة المخزون المُحسّنة.
• تخطيط سلسلة التوريد: جدولة أفضل، وتقليل الهدر.
• بالإضافة إلى العديد من العمليات التجارية المُعتمدة على البيانات.

بفضل حجم النموذج المُقلّص وسرعته المُحسّنة، أصبح من الممكن الآن تطبيق التنبؤ عالي الجودة على نطاق واسع، مما يُمكّن الشركات من اتخاذ قرارات أذكى وأسرع بغض النظر عن بنيتها التحتية للبيانات.

البدء مع مُوراي 2.0 في الممارسة العملية:

يُسهّل مُوراي 2.0 عملية التكامل للمطورين وعلماء البيانات. إليك مثال على سير العمل النموذجي، باستخدام الوحدات مفتوحة المصدر المتاحة على Hugging Face:

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

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
)

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)

# Example visualization
fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(25, 10))
# Use Moirai plotting utility to display forecasts

تُقدّم سيلزفورس أمثلة كاملة وروابط لدفاتر ملاحظات للبحث الأعمق.

عالمي، قابل للتوسع، قوي

من خلال تمكين الوصول إلى تقنية التنبؤ المتقدمة والمتعددة الأغراض، يُعد مُوراي 2.0 مُهيّئًا لإعادة تشكيل مشهد نماذج المتسلسلات الزمنية. بفضل مرونته عبر المجالات، وقوته المُحسّنة، وسرعة الاستنتاج العالية، ومتطلباته الحسابية المنخفضة، يُمهد نموذج سيلزفورس للذكاء الاصطناعي الطريق أمام الشركات والباحثين على مستوى العالم للاستفادة من قوة التنبؤ لاتخاذ قرارات تحويلية.

يمكنكم زيارة الرابط الأصلي للاطلاع على التفاصيل التقنية، بالإضافة إلى صفحة مُوراي 2.0 على Hugging Face. كما ندعوكم لزيارة صفحة [GitHub](رابط GitHub) الخاصة بنا للوصول إلى الدروس التعليمية، والأكواد، ودفاتر الملاحظات. تابعونا أيضاً على [Twitter](رابط Twitter) وانضموا إلى مجتمعنا على [Reddit](رابط Reddit) واشتركوا في قائمتنا البريدية.

المصدر: MarkTechPost