Google prezentuje TimesFM-3: nowy model AI do prognozowania przyszłości na podstawie danych sprzedażowych i pogodowych

Google Research zaprezentowało TimesFM-3, innowacyjny model sztucznej inteligencji, który ma za zadanie prognozować przyszłość na podstawie szeregów czasowych, takich jak dzienne dane sprzedażowe. Model ten wyróżnia się zdolnością do uwzględniania powiązanych danych oraz znanych, nadchodzących wydarzeń, co znacząco poprawia trafność jego przewidywań.

Prognozy w rzeczywistym świecie rzadko opierają się na pojedynczej zmiennej. Google ilustruje to przykładem sieci handlowej próbującej przewidzieć sprzedaż lodów. Dobra prognoza powinna uwzględniać również produkty powiązane, takie jak wafelki czy syropy, a także historyczny ruch klientów, warunki pogodowe, kampanie rabatowe i święta. TimesFM-3 został zaprojektowany, aby sprostać tym złożonym wymaganiom.

Architektura i innowacje TimesFM-3

TimesFM-3 bazuje na architekturze Transformer, tej samej, która stanowiła podstawę jego poprzedników. Wprowadza jednak kilka kluczowych innowacji. Model grupuje 32 kolejne punkty danych w pojedynczą „łatę” (patch) i normalizuje każdy szereg do wspólnej skali, co umożliwia bezpośrednie porównywanie pomiarów o bardzo różnej skali.

Model przetwarza dane w dwóch naprzemiennych kierunkach. Wzdłuż osi czasu szuka wzorców w pojedynczym szeregu, opierając się wyłącznie na wartościach przeszłych, aby uniknąć „wycieku” informacji o przyszłości. W poprzek szeregów porównuje wszystkie zmienne w danym punkcie czasowym i uczy się ich wzajemnych relacji. Pozwala to na wychwytywanie zależności, takich jak wpływ rabatu na jeden produkt na sprzedaż innego.

TimesFM-3 posiada 330 milionów parametrów i został wytrenowany na prawdziwych oraz syntetycznych szeregach czasowych, obejmujących łącznie ponad bilion punktów danych. Podobnie jak jego poprzednicy, działa w trybie zero-shot, co oznacza, że nie wymaga dodatkowego szkolenia dla nowych zadań.

Obsługa danych i precyzja prognoz

Model TimesFM-3 potrafi przetwarzać trzy typy danych uzupełniających. Prognozuje jednocześnie wiele powiązanych zmiennych, np. różne smaki lodów, oraz uwzględnia czynniki znane tylko z przeszłości, takie jak historyczny ruch pieszy. Wykorzystuje również znane przyszłe wydarzenia, takie jak planowane rabaty czy prognozy pogody. Zamiast pojedynczej estymacji punktowej, TimesFM-3 generuje dziewięć wartości na krok czasowy, aby uchwycić zakres i niepewność każdej prognozy.

Wcześniejsze wersje modelu prognozowały przyszłość blok po bloku, co według Google było powolne, wymagało dużej mocy obliczeniowej i prowadziło do kumulacji błędów. TimesFM-3 stosuje inne podejście, oznaczając wszystkie przyszłe kroki czasowe jako puste i wypełniając je w jednym przebiegu.

Google demonstruje skuteczność nowego podejścia na przykładzie lodów. Model, który zna tylko przeszłe dane sprzedażowe, kontynuuje typowy tygodniowy wzorzec, nie uwzględniając planowanych promocji. Kiedy TimesFM-3 otrzymuje harmonogram rabatów, uczy się z historii, jak bardzo promocje zwiększają popyt i przewiduje około 20 procent więcej sprzedanych jednostek w dniach promocji.

Wyniki i dostępność

Według Google, TimesFM-3 zajmuje pierwsze miejsce wśród wszystkich wstępnie wytrenowanych modeli prognozujących w testach Gift-Eval, FEV-Bench i Time, zarówno pod względem dokładności punktowej, jak i kalibracji niepewności. Konkurencyjne modele to m.in. Chronos-2 firmy Amazon, rodzina Toto-2.0 oraz własny TimesFM-2.5 Google. Nawet ograniczony do pojedynczej zmiennej, TimesFM-3 dorównuje lub przewyższa konkurencję, a dodanie większej ilości danych jeszcze bardziej zwiększa jego przewagę.

TimesFM-3 jest już dostępny na GitHubie i Hugging Face, a Google planuje w najbliższych tygodniach zintegrować go z BigQuery. Obecnie TimesFM-2.5 obsługuje tam prognozowanie pojedynczych zmiennych za pomocą komendy AI.FORECAST.

Od momentu premiery w 2024 roku, rodzina modeli TimesFM, według Google, została wdrożona w sektorach handlu detalicznego, finansów, produkcji, opieki zdrowotnej i nauki. Wszystkie wersje do TimesFM-2.5, wydanej we wrześniu 2025 roku, mogły przetwarzać tylko jeden szereg danych naraz, co sprawia, że obsługa wielu zmiennych przez TimesFM-3 jest znaczącym krokiem naprzód.

Google rozwija również modele prognozujące wykraczające poza szeregi czasowe. Na początku sierpnia Google DeepMind wydało WeatherNext Cyclones, otwarty system AI do prognozowania cyklonów tropikalnych, który przewiduje trasy i intensywność burz o około jeden dzień dalej niż wiodące modele operacyjne.

Wprowadzenie TimesFM-3 przez Google stanowi istotny postęp w dziedzinie prognozowania opartego na sztucznej inteligencji. Zdolność modelu do integrowania różnorodnych danych i uwzględniania przyszłych zdarzeń otwiera nowe możliwości dla firm i instytucji, umożliwiając im podejmowanie bardziej świadomych decyzji biznesowych i operacyjnych. W miarę dalszego rozwoju technologii AI, możemy spodziewać się coraz bardziej precyzyjnych i wszechstronnych narzędzi do przewidywania przyszłości w wielu sektorach gospodarki. To narzędzie może zrewolucjonizować sposób, w jaki przedsiębiorstwa planują swoje działania, minimalizując ryzyko i optymalizując zasoby.

Źródło: the-decoder.com