Mis on Granite TimeSeries Ensemble R1?
Granite TimeSeries Ensemble R1 on IBM-i avatud Granite'i raamistik aegridade null-lähteliseks ja tõenäosuslikuks prognoosimiseks. See on mõeldud numbrilistele jadadele, näiteks ajas registreeritud mõõtmistele, mitte teksti genereerimiseks, piltide loomiseks ega üldotstarbeliste keelemudeliülesannete täitmiseks.
Raamistik ei sisalda üht uutena treenitud ansambli kaalude komplekti. Selle asemel laadib see neli olemasolevat IBM Granite'i prognoosimudeli kontrollpunkti, hangib prognoosi igalt liikmelt ja ühendab need prognoosid. Nii saab kasutaja ühe ansamblitöövoo kaudu hinnata mitut prognoosimismeetodit, selle asemel et projekti alguses ühe arhitektuuriga piirduda.
Vaikimisi sisaldab väljund prognoosikvantiile vahemikus 0,1 kuni 0,9. Kvantiilid kirjeldavad võimalikke prognoositulemusi eri tõenäosustasemetel; 0,5 kvantiili kasutatakse punktprognoosi ehk mediaanprognoosina. Ülejäänud kvantiilid annavad teavet prognoosi ebakindluse kohta.
Milline on selle koht IBM Granite'i kataloogis?
IBM esitleb Granite TimeSeries Ensemble R1 osana oma Granite'i aegridade mudelite kogumist. Seda on kõige otstarbekam käsitleda korduvkasutatava prognoosiraamistikuna, mis ühendab mitu Granite'i aegridade mudelit, mitte tavapärase eraldiseisva kontrollpunktina, mida võiks võrrelda ühe prognoosimudeliga.
Sellel positsioneerimisel on praktikas tähtis roll. Ühe prognoosimudeli juurutamine võib olla lihtsam, kuid selle tulemused võivad suuresti sõltuda sellest, kas selle arhitektuur sobib konkreetse andmestiku mustritega. Ansambel ühendab seevastu erinevate ülesehituse ja induktiivsete eeldustega mudeleid. See võib pakkuda üldistatavamat lähtepunkti, kuid nõuab rohkem arvutusressursse ega taga paremaid tulemusi iga aegridade või prognoosihorisondi puhul.
Milliseid mudeleid ühendatakse?
Vaikimisi Granite'i mudelitele keskenduv konfiguratsioon kasutab nelja prognoosimudelit:
- PatchTST-FM-r1: transformer-arhitektuuril põhinev aegridade prognoosimudel.
- PatchTST-FM-r2: conformer-arhitektuuril põhinev aegridade prognoosimudel.
- FlowState-r1.1: olekuruumil põhinev prognoosimudel.
- TTM-r3: kergekaaluline Tiny Time Mixersi prognoosimudel.
Need liikmed võivad reageerida erinevalt konteksti pikkusele, prognoosihorisondile, korduvatele mustritele ja sisendandmete muudele omadustele. Nende ühendamise eesmärk on vähendada sõltuvust ühe arhitektuuri tugevatest ja nõrkadest külgedest. Ansambel ei muuda liikmeid identseks: juurutamisel tuleb endiselt kontrollida eeltöötluse, konteksti piirangute, toetatud horisontide ja puuduvate väärtuste käsitlemise erinevusi.
Kuidas prognooside ühendamine toimib?
Ühtlane tõenäosuslik ühendamine meetodiga linear_pool
Soovitatav vaikemeetod on linear_pool tõenäosuslik ansambel. See annab igale liikmele võrdse mõju ning ühendab nende kvantiilprognoosid empiiriliseks seguks. Seejärel arvutatakse ühendatud prognoosiväärtustest soovitud kvantiilid.
See meetod ei õpi ajalooliste prognoosivigade põhjal kaalusid ega vaja sobitatud valideerimiskogumit. Seetõttu on see null-lähtelises kasutuses lihtne ja korratav. Samas tähendab see, et meetod ei kohandu automaatselt konkreetse ärilise andmestikuga. Võrdne kaalumine võib olla kasulik lähtekoht, kuid see ei taga, et saadud tõenäosused on kalibreeritud. Teisisõnu ei pruugi esitatud tõenäosustase vastata tulemuste tegelikule esinemissagedusele.
IQR-i kaaludega alternatiiv
Valikuline iqr_weighted meetod muudab liikmete mõju prognoosi hajuvuse põhjal. IQR ehk kvartiilidevaheline ulatus on 25. ja 75. protsentiili vahe. Iga valimi, sihtmuutuja ja prognoosisammu puhul saavad kitsama prognoosivahemikuga liikmed suurema kaalu.
Väljundkvantiilide mittekahaneva järjestuse säilitamiseks kasutatakse isotonic regression'it ehk isotroonilist regressiooni. See aitab vältida vigast järjestust, mille korral väiksema tõenäosusega kvantiil on suurem kui suurema tõenäosusega kvantiil. Kitsas vahemik ei tõenda siiski automaatselt täpsust. Kaalumismeetod võib eelistada liiga enesekindlat mudelit, mistõttu tuleks seda enne tootmiskasutust võrrelda ühtlase kaalumise meetodiga esinduslike ajalooliste järeltestide abil.
Väljundid ja toetatud andmed
Raamistik koostab numbrilisi aegridade prognoose, sealhulgas mediaanil põhineva punktprognoosi ja vaikimisi juurkonfiguratsioonis kvantiilid vahemikus 0,1 kuni 0,9. Need väljundid sobivad rakendustele, mis vajavad nii keskset hinnangut kui ka ebakindluse näitajat, näiteks nõudluse planeerimiseks, läbilaskevõime prognoosimiseks, seireks või operatiivseks ajakava koostamiseks.
Esitatud spetsifikatsioonid ei kirjelda Granite TimeSeries Ensemble R1 multimodaalse süsteemina. Sellel ei ole dokumenteeritud pildi-, heli-, video-, kõne- ega üldise tekstigenereerimise väljundit. Samuti ei esitata seda tavapärase tekstikonteksti akna või maksimaalse märgilimiidiga keelemudelina. Sisendiks on aegridade andmed ning uuringus ei avaldata ansambli jaoks üht universaalset konteksti pikkust, sest liikmemudelitel võivad olla erinevad piirangud ja nõuded.
Vaikimisi prognoositakse mitmemõõtmelisi kanaleid ansamblis sõltumatult. Seetõttu ei kasuta raamistik prognoosi parandamiseks kanalitevahelisi seoseid. Kui kanalitevahelised vastasmõjud on ülesande keskmes, võib sobivam olla mudel või prognoosimislahendus, mis neid sõltuvusi sõnaselgelt modelleerib.
Mida näitavad avaldatud võrdlustulemused?
IBM hindas 97 GIFT-Evali andmestikukonfiguratsioonil kahte ainult Granite'i mudelitel põhinevat ansambliretsepti. Avaldatud hindamistulemuste hetktõmmises saavutas tõenäosuslik ansambel normaliseeritud MASE-i väärtuseks ligikaudu 0,683, IQR-i ansambel aga ligikaudu 0,684. Need koondatud punktprognoosi tulemused olid võrdluses kõige tugevama üksiku liikme omadest veidi paremad.
PatchTST-FM-r2 saavutas võrreldud üksikute mudelite ja ansambliprognooside seas parima koondtulemuse CRPS-i ehk kaalutud kvantiilikao keskmise näitaja alusel. See on oluline täpsustus: ansambel näitas tugevat üldtulemust, kuid võrdlus ei tõesta, et see edestab PatchTST-FM-r2 mudelit või mõnda muud üksikut mudelit iga andmestiku, horisondi või ebakindlusmõõdiku korral. Kasutajad peaksid mõlemat ansambliretsepti ja üksikuid liikmeid järeltestima kavandatava juurutusega sarnastel andmetel.
Juurutamise kulud ja praktilised kompromissid
Peamine praktiline kulu seisneb selles, et ansambel käivitab ühe kontrollpunkti asemel neli. Esimesel laadimisel laaditakse liikmete repositooriumid alla, mis suurendab seadistamiseks kuluvat aega ja salvestusruumi vajadust. Ka järeldamine kasutab üldjuhul rohkem mälu ning selle latentsus on suurem kui ühe mudeli prognoosi korral. Esitatud tootehinnangu järgi jääb selle kiirus kiireimatele valikutele alla, samas on kuluhinnang suhteliselt soodne, kuid need on toimetuslikud hinded, mitte IBM-i avaldatud jõudlusgarantiid.
Selle prognoosiraamistiku kohta ei ole avaldatud ametlikku majutatud API hinnastust ega märgipõhist hinnastust. Seda levitatakse avatud retsepti ja tarkvaravirnana, seega sõltub kasutuskulu kasutaja valitud riistvarast, salvestusruumist, järeldamiste mahust ja majutuskorraldusest. Samuti ei ole avaldatud kindlat maksimaalset väljundmärkide piirangut, sest süsteem toodab keelemudeli märkide asemel aegridade prognoosiväärtusi.
Ansamblile pääseb ligi Granite TSFM-i tarkvaravirna ja QuantileEnsembleForecaster liidese kaudu. Ühilduvaid prognoosimudeleid saab lisada juhul, kui need rakendavad ühist prognoosimisliidest ja tagastavad ühilduvate kvantiilitasemetega prognoose. Laiendatud retseptid võivad viidata eraldi litsentsitud IBM Researchi kontrollpunktidele, mistõttu tuleks enne levitamist või ärilist juurutamist üle vaadata iga liikme repositooriumi litsents.
Tugevused ja piirangud
Granite TimeSeries Ensemble R1-l on mitu konkreetset tugevust:
- See pakub valmis viisi nelja prognoosiarhitektuuri võrdlemiseks ja ühendamiseks.
- Vaikemeetod ei vaja ümberõpet ega ansambli kaalude sobitamist.
- See tagastab nii keskse prognoosi kui ka mitu ebakindluskvantiili.
- See võib enne andmestiku testimist vähendada riski valida halvasti sobiv arhitektuur.
- Raamistikku saab laiendada ühilduvate prognoosimudelitega.
Sama olulised on selle piirangud:
- Neli kontrollpunkti suurendavad mälukasutust, salvestusruumi vajadust, käivitusaega ja järeldamise latentsust.
- Liikmemudelitel võivad olla erinevad konteksti piirangud, eeltöötlusnõuded, prognoosihorisondid ja puuduvate väärtuste käsitlemise viisid.
- Vaikimisi prognoositakse mitmemõõtmelisi kanaleid sõltumatult ning kanalitevahelisi mõjusid ei modelleerita.
- Kumbki ühendamismeetod ei taga kalibreeritust ega töökindlust andmejaotuse muutumise korral.
- IQR-i kaalumine võib eelistada kitsaid, kuid liiga enesekindlaid prognoosivahemikke.
- Koondtulemuste paranemine ei taga paremaid tulemusi konkreetsel andmestikul.
- Selle üksuse kohta ei ole dokumenteeritud tavapärast keelemudeli API-t, tööriistakutsete liidest ega struktureeritud tekstigenereerimise režiimi.
Millal valida Granite TimeSeries Ensemble R1?
Vali see ansambel siis, kui vajad null-lähtelist või vähese seadistusega prognoosimise lähtepunkti ega tea veel, milline mitmest aegridade arhitektuurist kõige paremini toimib. See sobib eriti hästi juhul, kui ebakindlushinnangud on kasulikud ja nelja mudeli käitamise täiendav ressursikulu on vastuvõetav. Ühtlase kaalumisega linear_pool retsept on mõistlik esimene hindamisvalik, sest see ei nõua kaalude sobitamist ja on lihtsasti korratav.
IQR-i kaaludega meetodit tasub kasutada alles pärast selle käitumise kontrollimist ajaloolistel andmetel. See võib aidata juhul, kui prognoosi hajuvus annab kasulikku teavet liikme usaldusväärsuse kohta, kuid kitsamaid vahemikke ei tohiks käsitleda tõendina mudeli suurema täpsuse kohta.
Üksik liige, näiteks PatchTST-FM-r2, võib olla parem valik siis, kui latentsus, mälukasutus või juurutamise lihtsus on ansambli mitmekesisusest olulisemad, eriti juhul, kui valideerimine näitab, et see toimib sihtkoormuse puhul kõige paremini. Kui muutujatevahelised seosed on olulised, võib eelistada kanalitevahelisi sõltuvusi modelleerivat mudelit. Teksti, koodi, tööriistade kasutamise või multimodaalsete ülesannete jaoks sobib paremini tavapärane keelemudel või majutatud AI API, sest Granite TimeSeries Ensemble R1 on spetsialiseerunud numbriliste aegridade prognoosimisele.
Litsents ja kättesaadavus
Esitatud uuringu kohaselt on ansambliretsept ja Granite TSFM-i teostus saadaval Apache-2.0 litsentsi alusel. Vaikimisi ainult Granite'i mudelitele keskenduv konfiguratsioon kasutab IBM Granite'i organisatsioonis majutatavaid kontrollpunkte, kuid iga liikme repositooriumil on oma litsentsitingimused. Valikulised laiendatud konfiguratsioonid võivad sisaldada täiendavate piirangutega kontrollpunkte.
Kokkuvõttes on Granite TimeSeries Ensemble R1 kõige otstarbekam käsitleda avatud prognoosiretseptina, mis ühendab punkt- ja tõenäosuslikke prognoose. Selle peamine väärtus seisneb vajaduse vähendamises valida üks arhitektuur juba ette; peamine kulu on nelja eraldi prognoosimudeli laadimise ja käitamisega kaasnev täiendav töökoormus.