Model deret waktu: Revolusi tenang pada prakiraan AI

Model bahasa besar mungkin mendominasi berita utama, tetapi jenis AI lain dapat mengubah cara bisnis memprediksi masa depan. Model deret waktu yang ringkas dan efisien kini merevolusi forecasting di berbagai industri.

TinyTimeMixer (TTM) dari IBM® merupakan contoh dari tren ini. Dengan kurang dari satu juta parameter, TTM memberikan prediksi yang kuat tanpa kebutuhan komputasi besar seperti model yang lebih besar.

“Prakiraan dapat menjadi alat yang ampuh ketika diterapkan dengan benar,” jelas IBM® Technical Strategist Joshua Noble. “Kemampuan memprediksi permintaan, pendapatan, biaya, kegagalan perangkat, atau perubahan pasar adalah aset kuat untuk bisnis dari berbagai ukuran.”

Industri AI baru-baru ini mengalami lonjakan minat terhadap model bahasa yang lebih kecil dan lebih efisien. Model ringkas ini bertujuan memberikan kinerja yang sebanding dengan model yang lebih besar sambil membutuhkan daya komputasi dan memori yang jauh lebih sedikit. Misalnya, Mistral AI menarik perhatian dengan model Mixtral 8x7B, yang menggunakan pendekatan mixture of experts untuk mencapai kinerja tinggi dengan jumlah parameter yang relatif kecil.

Tren menuju “AI lite” ini mencerminkan fokus yang meningkat pada penerapan praktis dan aksesibilitas, yang berpotensi mendemokratisasikan AI untuk lebih banyak aplikasi dan perangkat.

TTM menggantikan perhatian diri machine learning tradisional—di mana setiap elemen dalam suatu urutan menimbang hubungannya dengan elemen lain—dengan perhatian terjaga, mekanisme yang secara selektif mengontrol blok perseptron sederhana untuk menghubungkan variabel deret waktu. Pendekatan yang disederhanakan ini mempertajam fokus dan mengurangi biaya komputasi dalam pelatihan dan penyempurnaan, menghasilkan model yang lebih ramping dan efisien yang unggul dalam tugas deret waktu.

Kumpulan data Kualitas Udara Beijing adalah kasus uji dunia nyata yang menunjukkan kemampuan TTM dalam memprediksi tingkat polusi udara PM2.5 menggunakan data historis dan variabel meteorologi. Aplikasi ini menunjukkan potensi model dalam pemantauan lingkungan dan perencanaan perkotaan.

Meskipun model deret waktu menjanjikan, tantangannya tetap ada. Noble memperingatkan, “Prakiraan, seperti kebanyakan AI, bergantung pada data yang baik dan pola yang dapat diprediksi. Ada beberapa fenomena yang sulit diprediksi, dan tidak ada model yang dapat mengatasinya.”

Penyempurnaan mengatasi keterbatasan model melalui proses efisien: menyiapkan data, memuat model, mengevaluasi, menyempurnakan, dan menilai kembali. Dampaknya jelas: untuk prediksi kualitas udara Beijing, penyempurnaan menurunkan kerugian evaluasi dari 0,426 menjadi 0,253, secara signifikan meningkatkan akurasi prediksi. Contoh dunia nyata ini menunjukkan kekuatan penyempurnaan dalam meningkatkan kinerja model untuk tugas tertentu.

Proses penyempurnaan mencakup pembagian kumpulan data, memuat model pra-pelatihan, menetapkan kinerja, melakukan penyempurnaan dengan early stopping, dan evaluasi akhir. Pendekatan ini meningkatkan kemampuan model menangkap pola data kompleks dan menghasilkan prediksi yang lebih akurat.

Pipeline prediksi TTM menangani data deret waktu yang kompleks, menggabungkan variabel target dan faktor eksternal. Kembali ke contoh prediksi PM2.5, pendekatan ini memungkinkan TTM menangkap hubungan kompleks antara berbagai faktor yang memengaruhi kualitas udara. Dengan mempertimbangkan beberapa variabel sekaligus, model memberikan prediksi lebih akurat dan bernuansa, memperhitungkan interaksi kompleks faktor-faktor yang memengaruhi kualitas udara seiring waktu.

Platform IBM® watsonx membawa kemampuan ini ke audiens yang lebih luas. Platform ini memungkinkan pengguna melatih, memvalidasi, melakukan tuning, dan menerapkan model secara efisien, mendemokratisasi prakiraan berbasis AI untuk bisnis dari berbagai ukuran.

Seiring model deret waktu seperti TTM berkembang, dampaknya terhadap prakiraan bisnis semakin besar. Model-model ini menawarkan alat yang kuat untuk menghadapi ketidakpastian, dari optimalisasi rantai pasokan hingga prediksi tren pasar.

Noble merangkum potensi model-model ini: “Model dasar yang dilatih pada data deret waktu dapat menurunkan hambatan masuk untuk prakiraan karena mereka sudah memiliki banyak data pelatihan yang tertanam.”