Google AI เปิดตัว TimesFM-3 โมเดลพยากรณ์อนุกรมเวลาพารามิเตอร์ 330 ล้าน
Google AI ปล่อย TimesFM-3 โมเดลรากฐาน zero-shot แบบพหุตัวแปรขนาด 330 ล้านพารามิเตอร์ ฝึกฝนด้วยข้อมูลกว่า 1 ล้านล้านจุด
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Google AI เปิดตัว TimesFM-3 โมเดลพยากรณ์อนุกรมเวลาพารามิเตอร์ 330 ล้านตัว
- รองรับการพยากรณ์แบบพหุตัวแปร (Multivariate) เป็นครั้งแรกด้วยสถาปัตยกรรม Transformer
- ฝึกฝนล่วงหน้าด้วยข้อมูลกว่า 1 ล้านล้านจุดข้อมูลจากอนุกรมเวลาจริงและสังเคราะห์
- ทำคะแนนขึ้น 1 บนตารางคะแนน GIFT-Eval, fev-bench และ TIME leaderboard
Google AI ได้ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์รุ่นใหม่ล่าสุดในชื่อ TimesFM-3 ซึ่งเป็นโมเดลรากฐานประเภท zero-shot สำหรับการพยากรณ์อนุกรมเวลาแบบพหุตัวแปร (Multivariate Time Series Forecasting) ที่มีขนาดพารามิเตอร์ถึง 330 ล้านพารามิเตอร์ โดยโมเดลตัวนี้ถูกพัฒนาต่อยอดขึ้นมาเพื่อแก้ข้อจำกัดของเวอร์ชันก่อนหน้าที่รองรับเพียงแค่ตัวแปรเดียว
ในความเป็นจริงของการพยากรณ์ ข้อมูลมักไม่ได้มีแค่ชุดเดียวโดดๆ ยกตัวอย่างเช่นการขายไอศกรีมที่ต้องอาศัยปัจจัยร่วมอย่างยอดขายสินค้าที่เกี่ยวข้อง ปริมาณคนเดินเท้า สภาพอากาศ โปรโมชั่น และวันหยุด มาประกอบกันเพื่อขับเคลื่อนเป้าหมายหลัก ซึ่งเวอร์ชันก่อนหน้าอย่าง TimesFM 2.5 ทำได้เพียงพยากรณ์อนุกรมเดี่ยวจากประวัติของตัวเองเท่านั้น
การขยับขยายจาก Univariate สู่ Multivariate ถือเป็นก้าวสำคัญของโมเดลพยากรณ์ AI เพราะในโลกธุรกิจจริง ตัวแปรทางเศรษฐกิจหรือยอดขายไม่ได้เกิดขึ้นในสูญญากาศ แต่มีความสัมพันธ์เชิงซ้อนกับปัจจัยภายนอกหลายด้านพร้อมกัน การที่โมเดลสามารถประมวลผลตัวแปรอดีตและอนาคตไปพร้อมกันได้ช่วยให้การคาดการณ์แม่นยำขึ้นอย่างเห็นได้ชัด
TimesFM-3 ใช้สถาปัตยกรรมแบบ decoder-only transformer โดยจัดกลุ่มจุดข้อมูลที่ต่อเนื่องกันเป็นแพตช์ขนาด 32 ขั้นตอน พร้อมทำการปรับมาตรฐาน (normalize) ต่อแต่ละอนุกรมเพื่อป้องกันไม่ให้สเกลที่ต่างกันมากเกินไปครอบงำโมเดล โทเค็นเป้าหมายและตัวแปรเสริมในอดีตจะมาจากแพตช์เดียวกัน ขณะที่ตัวแปรเสริมช่วงอนาคตจะใช้เทคนิค lookahead เพื่อให้โมเดลมองเห็นเหตุการณ์ที่ถูกกำหนดไว้ล่วงหน้าก่อนที่มันจะเกิดขึ้น
สำหรับการถอดรหัสข้อมูล TimesFM-3 ได้นำกลยุทธ์ Contiguous Patch Masking มาใช้ ซึ่งช่วยลดความล่าลาด ต้นทุนการประมวลผล และข้อผิดพลาดสะสมที่เคยเกิดขึ้นในรุ่นก่อนหน้าที่ต้องถอดรหัสทีละแพตช์ ชั้นความสนใจแบบสลับจะช่วยเติมเต็มแพตช์ขอบเขตเวลาที่ถูกมาสก์ไว้ได้พร้อมกัน โดยในแต่ละขั้นตอนเป้าหมายจะได้รับค่าควอไทล์ 9 ระดับ ตั้งแต่เปอร์เซ็นต์ไทล์ที่ 10 ถึง 90
ด้านผลการประเมินประสิทธิภาพ Google ได้ทดสอบ TimesFM-3 บนชุดข้อมูล GIFT-Eval, fev-bench และ TIME leaderboard โดยเทียบกับโมเดลอย่าง Chronos-2, Toto 2.0 และ TimesFM-2.5 ผลปรากฏว่า TimesFM-3 ครองอันดับ 1 สูงสุดทั้งในด้านคะแนนแบบจุดและแบบความน่าจะเป็น โดยขึ้นแท่นอันดับ 1 บน fev-bench จาก 100 งานจริง และอันดับ 1 บน TIME จาก 50 โดเมนชุดข้อมูล
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
อย่างไรก็ตาม ในส่วนของเงื่อนไขการใช้งาน โค้ดในรีโพสิทอรีของ TimesFM อยู่ภายใต้สัญญาอนุญาต Apache-2.0 แต่น้ำหนักโมเดลของ TimesFM 3.0 จะถูกจัดส่งภายใต้สัญญาอนุญาต timesfm-non-commercial-license-v1.0 ซึ่งจำกัดการใช้งานไว้สำหรับกิจการที่ไม่ใช่เชิงพาณิชย์และไม่ใช่ระดับการผลิตเท่านั้น โดยผู้สนใจสามารถเข้าไปดูรายละเอียดทางเทคนิค น้ำหนักโมเดลบน Hugging Face และซอร์สโค้ดบน GitHub ได้ทันที
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น