Mida Granite TimeSeries FlowState R1 teeb
Granite TimeSeries FlowState R1 on IBMi avatud kaaludega versioon mudelist FlowState, mis on numbriliste aegridade prognoosimiseks mõeldud alusmudel. See on loodud andmete jaoks, mida kogutakse näiteks tunni-, päeva-, nädala- või kuupõhiselt, mitte vestluseks, teksti genereerimiseks, piltide analüüsimiseks või üldotstarbeliseks arutlemiseks.
Mudel võimaldab null-shot-prognoosimist: see suudab uue aegrea jaoks prognoose genereerida ilma, et seda oleks konkreetse prognoosimisülesande jaoks peenhäälestatud. See muudab mudeli kasulikuks prognoosimismeetodi katsetamisel paljudel seotud andmekogumitel või lähtealuse loomiseks enne juhendatud treeningusse investeerimist.
FlowState'i kaalud on levitatud Apache 2.0 litsentsi alusel. Kontrollpunkt on mõeldud kohalikuks või iseseisvalt hallatavaks juurutuseks ning kaasasolevas uurimistöös ei dokumenteerita selle mudeli jaoks majutatud IBMi märgipõhist hinnastamis-API-t.
Miks selle arhitektuur erineb
FlowState ühendab olekuruumi mudeli kodeerija ja funktsionaalse baasi dekooderi. Kodeerija teisendab varasemad vaatlused aegridade ajalise käitumise kompaktseks esituseks. Seejärel esitab dekooder prognoosi õpitud funktsioonide kaudu, genereerides väärtused soovitud prognoosivahemikus.
Praktilises mõttes on mudel loodud kohanema sisendaegrea diskreetimissagedusega, selle asemel et iga ajaskaala jaoks oleks vaja eraldi mudelit. Skaalategur edastab andmete ajalised omadused. Kasutajad saavad mudeli toetatud töövahemiku piires muuta ka ajaloolise konteksti suurust ja prognoosi pikkust.
- Olekuruumi kodeerija: pakub ajaliste mustrite tõhusat esitust.
- Funktsionaalse baasi dekooder: toetab pidevat prognoosimist soovitud horisondil.
- Skaalateadlik töö: aitab samal kontrollpunktil toime tulla erinevate diskreetimissagedustega.
- Tõenäosuslikud prognoosid: tagastab ühe punktprognoosi asemel mitu prognoosikvantiili.
- Null-shot-kasutus: toetab prognoosimist ilma ülesandespetsiifilise peenhäälestuseta.
R1 võrreldes versiooniga r1.1
Mudeli nimetamisel tuleb olla täpne. Praeguse Granite'i kontrollpunkti nimi on Granite TimeSeries FlowState R1, samas kui mudelikaart kirjeldab r1.1 versiooni, milles on tehtud mitu muudatust. Selle uuenduse valimiseks tuleb laadijale sõnaselgelt edastada revision="r1.1"; kui versiooni ei määrata, kasutatakse vaikimisi versiooni 1.0.
Esitatud mudelidokumentatsiooni kohaselt suurendab r1.1 eeltreeningu konteksti 2048-lt 4096 aegridade sammuni, lisab sünteetilisi eeltreeninguandmeid, täiustab S5-kihti väljundväratamise abil, optimeerib hüperparameetreid ja kasutab suuremat mitmekihilise pertseptroni kihti. Mudelikaardi kohaselt on r1.1-l 18,5 miljonit parameetrit, samas kui hoidla kontrollpunkti metaandmetes on saadaoleva vaikimisi mudelikirje kohta loetletud ligikaudu 9,07 miljonit parameetrit. Need näitajad viitavad erinevatele dokumenteeritud kontrollpunkti- või versioonikontekstidele ning neid ei tohiks käsitleda ühe lõpliku parameetrite arvuna.
Sisendid, väljundid ja dokumenteeritud piirangud
FlowState kasutab numbrilisi aegridade tensoreid, millel on konteksti-, paketi- ja kanalimõõde. See ei aktsepteeri loomuliku keele viipasid peamise sisendina. Väljund on prognoositensor, mis sisaldab mitut kvantiili ja võimaldab rakendustel esitada eeldatavate tulevikuväärtustega seotud ebakindlust.
| Spetsifikatsioon | Dokumenteeritud teave |
|---|---|
| Peamine sisend | Numbrilised aegridade tensorid |
| Peamine väljund | Mitme kvantiiliga tõenäosuslikud prognoositensorid |
| r1.1 eeltreeningu kontekst | 4096 aegridade sammu |
| Prognoosi pikkus | Muutuv; esitatud uurimistöös ei määrata üht universaalset maksimumi |
| Teksti-, pildi-, heli- ja videoväljund | Ei ole toetatud |
| Majutatud API hinnastamine | Selle kontrollpunkti kohta ei ole majutatud hinnastamist dokumenteeritud |
4096 sammu näitaja kirjeldab r1.1 eeltreeningu konteksti ega pruugi tähendada garanteeritud maksimumi kõigi konteksti, kanalite ja prognoosihorisondi kombinatsioonide korral. Uurimistöös ei esitata ka maksimaalset väljundmärkide arvu; see mõiste ei ole otseselt kohaldatav sellele numbrilise prognoosimise mudelile.
Diskreetimissagedused ja skaalategurid
Skaalategur tuleks valida aegrea diskreetimissageduse ja sesoonsuse järgi. IBMi dokumenteeritud näidete hulka kuuluvad 0,25 15-minutiliste andmete, 0,5 30-minutiliste andmete, 1,0 tunniste andmete, 0,46 nädalaste andmete ja 2 kuiste andmete puhul. Päevaandmete sobiv väärtus sõltub sellest, kas aegreal esineb nädalane tsükkel.
Need väärtused on lähtepunktid, mitte universaalsed garantiid. IBM soovitab skaalategureid katsetada, kui domineeriv hooajaline muster ei ole selge. Prognoosi kvaliteet võib halveneda, kui soovitud horisont ulatub ligikaudu rohkem kui 30 sesoonse tsüklini. Seetõttu tuleks väga pika horisondiga prognoose hoolikalt hinnata, mitte eeldada, et need on usaldusväärsed.
Tugevused ja kompromissid
FlowState'i kõige selgem tugevus on keskendumine ajaskaala paindlikkusele. Üht kompaktset kontrollpunkti saab hinnata erineva diskreetimissagedusega aegridadel, mis võib lihtsustada katsetamist operatiivsete, finants-, teadus- või tööstuslike andmekogumitega. Selle suhteliselt väike arhitektuur võib muuta kohaliku järeldamise ja prototüüpimise praktilisemaks kui palju suuremate aegridade alusmudelite kasutamine. Mudelikaardi kohaselt annab mudel avalikel prognoosihindamistel tugevaid null-shot-tulemusi; see on teenusepakkuja või mudelidokumentatsiooni väide, mida siin sõltumatult kontrollitud ei ole.
Kompromiss seisneb spetsialiseerumises. FlowState ei paku teksti genereerimist, esitusi, tööriistade kutsumist, veebist otsimist, struktureeritud vestlusväljundit, pildi- ega helitöötlust ega üldist arutlusvõimet. Selle dokumenteeritud ülesandeala on praegu null-shot-prognoosimine. Selle andmebaasi jaoks esitatud toimetuslikud võimekusehinnangud kirjeldavad selle rolli prognoosimismudelina ega viita sellele, et see konkureeriks keelemudelitega kodeerimises või arutlemises.
Ka kiirust ja kulu tuleb tõlgendada kontekstis. Mudel on väike ja avatud kaaludega, mis võib vähendada iseseisvalt hallatavate katsetuste riistvara- ja kasutuskulusid, kuid tegelik jõudlus sõltub juurutuskeskkonnast ja töökoormusest. Puudub majutatud märgipõhine hind, millega seda kommertslike keelemudelite API-dega võrrelda. Kontrollpunkti kohalik käitamine nõuab siiski sobivat arvutusvõimsust, salvestusruumi, seiret ja inseneritööd.
Hind, litsents ja kättesaadavus
Esitatud uurimistöös ei dokumenteerita Granite TimeSeries FlowState R1 majutatud API hinda. Praktiline hinnastusmudel on seega ise majutamine: kaalud on Apache 2.0 litsentsi alusel saadaval, samal ajal kui kasutaja tagab järeldamiseks ja integreerimiseks vajaliku taristu. Apache 2.0 lubab üldjuhul kommertskasutust, kui järgitakse litsentsitingimusi.
Seotud avatud lähtekoodiga hoidla on saadaval ilma IBMi kohustuseta pakkuda täiustusi, uuendusi või tuge. Meeskonnad, kes vajavad hallatavat lõpp-punkti, lepingulist tuge või teenusetaseme kohustust, peaksid kontrollima, kas eraldi pakutav IBMi toode või mõni muu prognoosimisteenus vastab nende vajadustele; esitatud allikad ei kinnita, et see kontrollpunkt oleks hallatava watsonx-mudeli lõpp-punktina saadaval.
Millal seda mudelit valida
FlowState on mõistlik valik, kui põhiprobleem on regulaarselt diskreeditud numbriliste andmete prognoosimine ja meeskond soovib avatud kaaludega mudelit, mida saab katsetada ilma ülesandespetsiifilise peenhäälestuseta. See sobib eriti hästi siis, kui:
- andmed on numbrilised ja regulaarselt diskreeditud;
- prognoose on vaja eri ajaliste eraldusvõimete korral;
- tõenäosuslikud kvantiilid on kasulikumad kui üks punktihinnang;
- eelistatakse kohalikku või iseseisvalt hallatavat juurutust;
- meeskond soovib enne spetsialiseeritud prognoosisüsteemi loomist kompaktset null-shot-lähtealust; või
- prognoosihorisont jääb aegrea sesoonsete tsüklite suhtes põhjendatavasse vahemikku.
Teine lahendus võib olla sobivam, kui rakendus vajab juhendatud peenhäälestust, laiemaid aegridadega seotud ülesandeid, loomulikus keeles suhtlust, multimodaalset sisendit, tööriistade kasutamist või dokumenteeritud majutatud API-t. Üldine keelemudel on samuti halb asendus siis, kui peamine nõue on täpne numbriline prognoosimine, samas kui ülesandespetsiifiline prognoosimismudel võib olla eelistatav juhul, kui valdkonnas on piisavalt märgendatud ajalugu, et õigustada spetsialiseeritud treeningut.
Praktilised juhised mudeli laadimiseks
Mudeli hindamisel kontrollige esmalt, milline versioon laaditakse. Kasutage revision="r1.1", kui soovite laadida uuendatud kontrollpunkti; vastasel juhul võib laadija kasutada versiooni 1.0. Valmistage numbriline tensor ette eeldatud konteksti-, paketi- ja kanalimõõtmetega, valige diskreetimissagedusele vastav skaalategur ning määrake prognoosihorisont, mida olemasolev kontekst ja sesoonne struktuur toetavad.
Kui sesoonsus ei ole kindel, tuleks hindamisel võrrelda rohkem kui üht skaalategurit. Samuti tuleks kvantiilprognoose hinnata kalibreerituse ja katvuse järgi, mitte võrrelda ainult punktprognooside keskmist täpsust. Kuna mudel on null-shot ja spetsialiseeritud, tuleks konkreetse äri- või teadusliku aegrea jõudlust enne tootmiskasutust võrrelda lihtsamate lähtealuste ja võimalike valdkonnaspetsiifiliste mudelitega.