En la vida, el tiempo es fundamental.
Esto es especialmente cierto en los negocios, donde cada organización debe pronosticar las ventas, la demanda, los ingresos y los requisitos de capacidad. Los pronósticos precisos y confiables que dependen del tiempo pueden ayudar a cualquier organización a ahorrar (y ganar) miles de millones de dólares.
La previsión de series de tiempo es el pan de cada día que impulsa una empresa. Implica predecir valores futuros basándose en observaciones pasadas recopiladas a intervalos regulares, ya sea diaria, mensual, trimestral o anual.
Se espera que la inteligencia artificial acelere y ajuste la planificación empresarial a través de modelos nuevos, más rápidos y más pequeños diseñados para predecir series temporales multivariadas. No es necesario que estos modelos estén paralelos al martillo de IA para producir resultados. Los modelos pequeños basados en series temporales u otros modelos pequeños entrenados con datos cualitativos y seleccionados son más eficientes energéticamente y pueden lograr los mismos o mejores resultados.
Vicepresidente de IA y Automatización en IBM Research.
¿Cómo pueden los modelos de series temporales de IA predecir el futuro?
Los modelos de series de tiempo se pueden crear desde cero o adaptarse a partir de modelos previamente entrenados existentes y se utilizan mejor para predecir resultados en datos de series de tiempo. Tradicionalmente, los grandes modelos de lenguaje de IA calculan las relaciones entre palabras para identificar patrones en los datos que pueden proyectarse para tomar mejores decisiones.
Los modelos fundamentales de series de tiempo buscan patrones en observaciones históricas para “comprender” un proceso temporal. Estas representaciones abstractas son las que permiten a los modelos resolver tareas de predicción. Cuanto más larga sea la serie temporal, mejor será el pronóstico.
Sin embargo, este tipo de mediciones presentan complicaciones que las palabras, el código y los píxeles no presentan. En primer lugar, los datos de series temporales suelen ser continuos: piense en la transmisión de vídeo desde un automóvil autónomo, las lecturas de temperatura de un adicto o los datos de frecuencia cardíaca de un reloj inteligente. Hay muchos datos que procesar y se debe mantener estrictamente su orden secuencial y direccionalidad.
Los datos de series temporales varían ampliamente, desde precios de acciones e imágenes de satélite hasta ondas cerebrales y curvas de luz de estrellas distantes. Comprimir diferentes observaciones en una representación abstracta es un gran desafío.
Además, los diferentes conjuntos de datos de series temporales suelen estar altamente correlacionados. En el mundo real, los acontecimientos complejos surgen de múltiples factores. Por ejemplo, la temperatura, la presión y la humedad del aire influyen en gran medida en el clima. Para predecir un huracán, es necesario saber cómo estas variables se han afectado entre sí en el pasado para comprender cómo podría desarrollarse el futuro. Los cálculos y correlaciones entre canales pueden volverse rápidamente abrumadores a medida que aumenta el número de variables, especialmente si se trata de un registro histórico largo.
Cuanto más retrocedas, más complejos se vuelven estos cálculos, especialmente si tu variable objetivo se ve afectada por otros factores. Las ventas de calentadores domésticos, por ejemplo, pueden estar relacionadas con el mal tiempo o la economía. Cuantas más variables interactúen en cualquier conjunto de datos de series temporales, más difícil será aislar la señal que predice el futuro.
Rompiendo barreras en el pronóstico de series temporales
Es difícil construir modelos básicos de inteligencia artificial diseñados para el pronóstico de series temporales. El gran volumen y la complejidad de las fuentes de datos multicanal junto con las variables externas plantean importantes desafíos arquitectónicos para el modelo posterior y requisitos computacionales no triviales, lo que dificulta entrenar y actualizar modelos con una precisión razonable y una ventana de predicción deseada en el tiempo. Hoy en día, muchos modelos básicos no pueden captar las tendencias reveladas por los patrones de datos que evolucionan rápidamente, un proceso conocido como “adaptación temporal”. Los modelos básicos de series de tiempo, como MOIRAI, TimesFM y Chronos, se basan en cientos de millones de parámetros que requieren importantes recursos computacionales y tiempo de ejecución.
La próxima ola de innovación
Los investigadores y profesionales están trabajando en nuevas formas de superar estos obstáculos y liberar todo el potencial del uso de la inteligencia artificial en el pronóstico de series temporales. ¿Los modelos más pequeños, previamente entrenados únicamente con datos limitados y diversos de series temporales públicas, proporcionan una mayor precisión predictiva? ¡Resulta que la respuesta es sí!
Ya está en marcha el experimento de desarrollar modelos “pequeños” de elementos con parámetros significativamente inferiores a 1B. Los modelos de pronóstico de series temporales más pequeños (parámetros de 1 millón a 3 millones) pueden ofrecer una eficiencia computacional significativa y al mismo tiempo lograr resultados avanzados en pronósticos de cero o pocos intentos, es decir, cuando los modelos generan predicciones a partir de conjuntos de datos invisibles. También pueden admitir variables externas y entre canales, características críticas de las que carecen los métodos populares existentes.
Estos modelos de IA rápidos, diminutos y previamente entrenados se pueden ejecutar rápidamente en casos de uso como la previsión del consumo de energía. También son lo suficientemente flexibles como para extenderse a otras tareas de series temporales más allá de la previsión. En la detección de anomalías, por ejemplo, estos pequeños modelos pueden entrenarse en conjuntos de datos que incluyen patrones inusuales y regulares, lo que les permite aprender las características de las anomalías e identificar desviaciones del comportamiento normal.
Cada vez más, vemos que estos modelos pequeños, combinados con datos empresariales, pueden tener un gran impacto, ofreciendo un rendimiento específico para una misión que rivaliza con los modelos grandes a una fracción del costo. Están listos para convertirse en los “caballos de batalla” de la inteligencia artificial empresarial.
En los próximos años, se espera que la IA contribuya a impulsar un cambio radical en el panorama empresarial. Si bien la mayoría de los datos públicos del mundo alimentan los modelos actuales, la gran mayoría de los datos empresariales siguen sin explotar. Se espera que los modelos básicos pequeños y rápidos, con flexibilidad, bajos costos de desarrollo y una amplia gama de aplicaciones, desempeñen un papel importante en este cambio.
Presentamos las mejores herramientas de IA disponibles en este momento.
Este artículo se produjo como parte del canal Expert Insights de TechRadarPro, donde mostramos las mejores y más brillantes mentes de la industria tecnológica actual. Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si estás interesado en donar, descubre más aquí:
