เจาะลึกการพยากรณ์ครบวงจรด้วย TimesFM 2.5 ตั้งแต่การทดสอบย้อนหลังจนถึงการตรวจจับความผิดปกติ

การพัฒนาโมเดลปัญญาประดิษฐ์สำหรับการพยากรณ์ข้อมูลอนุกรมเวลาในปัจจุบันไม่ได้จำกัดอยู่แค่การสร้างผลลัพธ์พื้นฐานอีกต่อไป แต่ต้องอาศัยกระบวนการที่ครอบคลุมและตรวจสอบได้จริง บทความนี้นำเสนอแนวทางการใช้งาน TimesFM 2.5 ในรูปแบบไปป์ไลน์ที่สมบูรณ์แบบ ซึ่งช่วยให้นักพัฒนาสามารถนำไปประยุกต์ใช้กับการวางแผนทางธุรกิจและการจัดการความต้องการได้อย่างมีประสิทธิภาพ

ในกระบวนการทำงาน ทีมงานได้ใช้ควอนไทล์ความน่าจะเป็น (probabilistic quantiles) เพื่อวัดระดับความไม่แน่นอน พร้อมทั้งเปรียบเทียบประสิทธิภาพของโมเดลกับวิธีพื้นฐานอย่าง seasonal-naive และ last-value baselines นอกจากนี้ยังมีการใช้การทดสอบย้อนหลังแบบ rolling-origin backtesting เพื่อให้เห็นภาพการทำงานจริงในสถานการณ์จริงที่น่าเชื่อถือมากยิ่งขึ้น

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

นอกจากนี้ การศึกษาดังกล่าวยังเจาะลึกถึงปัจจัยต่างๆ ที่ส่งผลต่อความแม่นยำและต้นทุนในการประมวลผล ไม่ว่าจะเป็น:

• ความยาวของบริบท (context length) และขนาดของกลุ่มข้อมูล (batch size)
• ตัวแปรเสริมภายนอก (exogenous covariates) และแฟล็กการคอมไพล์ (compilation flags)
• กลยุทธ์การพยากรณ์แบบตรงหรือแบบวนซ้ำ (direct or recursive forecasting strategies)

ในส่วนของการทดสอบความทนทานและการตรวจจับความผิดปกติ (anomaly detection) โมเดลได้รับการตรวจสอบพฤติกรรมภายใต้เงื่อนไขที่ท้าทาย เช่น ข้อมูลที่ขาดหาย ประวัติข้อมูลที่สั้น ข้อจำกัดค่าบวก ข้อมูลนำเข้าที่เปลี่ยนแปลงได้ และระยะเวลาพยากรณ์ที่ยาวนานขึ้น ซึ่งช่วยให้มั่นใจได้ว่าระบบมีความเสถียรพอสำหรับการใช้งานในระดับการผลิตจริง

ที่มา: MarkTechPost