نموذج TimesFM-2.5 من جوجل للذكاء الاصطناعي: ثورة في مجال التنبؤ بالمتسلسلات الزمنية
أعلنت جوجل عن إطلاق نموذجها الجديد للذكاء الاصطناعي، TimesFM-2.5، وهو نموذج أساسى مُخصص للتنبؤ بالمتسلسلات الزمنية، يتميز بمعلمات أقل حجماً، وسياق أطول، ودعم متكامل للتنبؤ الاحتمالي. يتوفر النموذج الآن على منصة Hugging Face. وقد تصدر TimesFM-2.5 قائمة المتصدرين في مسابقة GIFT-Eval، متفوقاً على جميع النماذج الأساسية الأخرى في دقة التنبؤ (MASE و CRPS) بدون أي تدريب مسبق.
ما هو التنبؤ بالمتسلسلات الزمنية؟
التنبؤ بالمتسلسلات الزمنية هو عملية تحليل نقاط البيانات المتسلسلة التي تم جمعها على مر الزمن للتعرف على الأنماط والتنبؤ بالقيم المستقبلية. يلعب هذا المجال دوراً حاسماً في العديد من الصناعات، بما في ذلك:
- التجزئة: التنبؤ بطلب المنتجات.
- الأرصاد الجوية: مراقبة اتجاهات الطقس وهطول الأمطار.
- إدارة سلاسل التوريد: تحسين عمليات سلاسل التوريد.
- قطاع الطاقة: تحسين إدارة شبكات الطاقة.
يُمكّن التنبؤ بالمتسلسلات الزمنية، من خلال التقاط التبعيات الزمنية والاختلافات الموسمية، اتخاذ القرارات القائمة على البيانات في بيئات ديناميكية.
ما الجديد في TimesFM-2.5 مقارنةً بالإصدار 2.0؟
يُقدم TimesFM-2.5 العديد من التحسينات مقارنةً بالإصدار السابق:
- عدد المعلمات: 200 مليون معلمة (انخفاضاً من 500 مليون في الإصدار 2.0).
- أقصى طول للسياق: 16,384 نقطة (زيادة من 2,048 نقطة).
- الكميات: رأس كمية اختياري (30 مليون معلمة) للتنبؤات الكمية المستمرة حتى أفق 1000 نقطة.
- المدخلات: لم يعد هناك حاجة إلى مؤشر “التردد”؛ أُضيفت أعلام استنتاج جديدة (عدم تغير الاتجاه، الاستنتاج الإيجابي، إصلاح تجاوز الكمية).
- خريطة الطريق: تنفيذ Flax قريباً لتحسين سرعة الاستنتاج؛ دعم المتغيرات المُساعدة قيد التخطيط؛ توسيع الوثائق.
لماذا يهم السياق الأطول؟
يسمح السياق التاريخي الذي يبلغ 16000 نقطة بإجراء تمريرة واحدة للأمام لالتقاط البنية متعددة الفصول، وانقطاعات النظام، والمكونات منخفضة التردد بدون تقسيم أو ربط هرمي. عملياً، هذا يقلل من الخوارزميات الأولية ويحسن الاستقرار للمجالات التي يكون فيها السياق أكبر بكثير من الأفق (مثل تحميل الطاقة، طلب التجزئة). يُعد السياق الأطول تغييراً أساسياً في التصميم تم ذكره صراحةً للإصدار 2.5.
السياق البحثي
تم تقديم فكرة TimesFM الأساسية – نموذج أساس واحد فقط لفك التشفير للتنبؤ – في ورقة ICML 2024 ومدونة أبحاث جوجل. ظهرت GIFT-Eval (Salesforce) لتوحيد التقييم عبر المجالات، والترددات، وأطوال الأفق، وأنظمات المتغيرات الأحادية/متعددة المتغيرات، مع قائمة متصدرين عامة مُستضافة على Hugging Face.
النقاط الرئيسية
- نموذج أصغر وأسرع: يعمل TimesFM-2.5 بـ 200 مليون معلمة (نصف حجم الإصدار 2.0) مع تحسين الدقة.
- سياق أطول: يدعم طول إدخال 16000 نقطة، مما يسمح بالتنبؤات بتغطية تاريخية أعمق.
- المتصدر في المعايير: يحتل الآن المرتبة الأولى بين نماذج الأساس بدون تدريب مسبق على GIFT-Eval لكل من MASE (دقة النقطة) و CRPS (الدقة الاحتمالية).
- جاهز للإنتاج: تصميم فعال ودعم التنبؤ الكمي يجعله مناسبًا للنشر في العالم الحقيقي عبر الصناعات.
- توفر واسع النطاق: النموذج متوفر على Hugging Face.
الخلاصة
يُظهر TimesFM-2.5 أن نماذج الأساس للتنبؤ تتجاوز مرحلة إثبات المفهوم إلى أدوات عملية جاهزة للإنتاج. من خلال تقليل المعلمات إلى النصف مع تمديد طول السياق والريادة في GIFT-Eval من حيث الدقة النقطية والاحتمالية، يُمثل هذا خطوة كبيرة في الكفاءة والقدرة. مع توفر الوصول إلى Hugging Face بالفعل، ودمج BigQuery/Model Garden قيد التنفيذ، فإن النموذج جاهز لتسريع اعتماد التنبؤ بالمتسلسلات الزمنية بدون تدريب مسبق في خطوط الأنابيب في العالم الحقيقي. يمكنك مراجعة بطاقة النموذج (Hugging Face)، والمستودع، والمعيار، والورقة البحثية.
اترك تعليقاً