NVIDIA ra mắt Kumo Forecast, kết hợp Transformer với truy xuất mẫu lịch sử để dự báo chuỗi thời gian
NVIDIA đã giới thiệu Kumo Forecast, một mô hình mã nguồn mở dự báo chuỗi thời gian đa biến, kết hợp Transformer được tiền huấn luyện với khả năng truy xuất các mẫu tương tự từ dữ liệu lịch sử. Trước đây có tên NV-Tesseract Forecasting, mô hình sử dụng bộ mã hóa MOMENT-1-large khoảng 340 triệu tham số cùng một đầu dự báo có thể huấn luyện, với mã nguồn phát hành theo giấy phép Apache 2.0. Mô hình có hai cách dự báo: tạo dự đoán trực tiếp từ các quan sát gần đây, hoặc dùng chế độ Domain-Aware Representation and Retrieval (DARR) để tìm các mẫu lịch sử liên quan bằng phương pháp tìm hàng xóm gần nhất rồi kết hợp chúng vào dự báo. API ưu tiên DataFrame hỗ trợ tùy chỉnh khoảng thời gian dự báo, truyền dữ liệu lịch sử riêng qua tham số contextdf và mở rộng dự báo tự hồi quy cho những khoảng thời gian dài hơn khả năng gốc của mô hình. Hệ thống diễn giải đi kèm cung cấp mức đóng góp của đặc trưng và độ trễ theo từng mốc dự báo, các chẩn đoán về quỹ đạo và độ ổn định, cùng tùy chọn Integrated Gradients trên embedding để giúp giải thích lý do mô hình đưa ra dự báo. Dữ liệu đầu vào phải là chuỗi thời gian số với độ dài được hỗ trợ là 256, 512, 1024 hoặc 2048 quan sát; chế độ DARR yêu cầu dữ liệu lịch sử có số chiều tương tự dữ liệu đầu vào. Lập trình viên có thể dùng mô hình đã huấn luyện để suy luận hoặc tinh chỉnh trên tệp CSV của mình, nhưng NVIDIA khuyến nghị đánh giá cả cấu hình trực tiếp và cấu hình có truy xuất trên các tập dữ liệu được giữ lại cho từng bài toán. Trên thực tế, Kumo Forecast hướng đến các ứng dụng như bảo trì dự đoán, nơi việc kết hợp quy luật học được với hành vi vận hành lịch sử của doanh nghiệp có thể cải thiện dự báo và giúp con người dễ kiểm tra kết quả hơn.
Lập trình viên và doanh nghiệp có dữ liệu chuỗi thời gian có thể thử Kumo Forecast để dự báo nhu cầu, cảm biến hoặc bảo trì dự đoán, đồng thời so sánh chế độ dự báo trực tiếp với chế độ truy xuất mẫu lịch sử. Hãy kiểm thử trên các khoảng dữ liệu đã giữ lại của chính bài toán, vì chất lượng dự báo phụ thuộc vào từng lĩnh vực và điều kiện vận hành.
Đọc bài gốc