Hugging Face Lança Modelo de Previsão de Séries Temporais em Ensemble

A Hugging Face acaba de lançar um modelo de previsão de séries temporais em ensemble, chamado Granite Timeseries Ensemble, que combina quatro modelos pré-treinados para melhorar a precisão das previsões. Essa abordagem é inspirada na previsão do tempo, onde diferentes modelos são combinados para obter uma previsão mais precisa. O Granite Timeseries Ensemble é composto por quatro modelos pré-treinados, cada um com uma arquitetura diferente, que são combinados para obter uma previsão única.

A combinação é feita por meio de uma interface extensível, que permite que os desenvolvedores adicionem ou removam modelos facilmente. Além disso, a interface fornece uma previsão pontual e quantílis, o que permite que os desenvolvedores usem a previsão pontual como uma previsão central e os quantílis para expressar a incerteza da previsão. Os quatro modelos pré-treinados que compõem o Granite Timeseries Ensemble são: PatchTST-FM-r1, PatchTST-FM-r2, FlowState e Tiny Time Mixers. Cada um desses modelos tem uma arquitetura diferente e é treinado para capturar tendências, sazonalidade e variação local de maneira diferente.

Isso significa que os erros de cada modelo não coincidem, o que torna a combinação mais robusta. A Hugging Face também fornece dois recipes principais para combinar as previsões dos modelos: o Probabilistic Ensemble e o IQR Ensemble. O Probabilistic Ensemble dá igual influência a cada modelo e combina as previsões quantílis em espaço de probabilidade. Já o IQR Ensemble pondera os modelos com base na dispersão das previsões, dando maior influência aos modelos com intervalos mais estreitos.

Os resultados da avaliação do Granite Timeseries Ensemble mostram que a abordagem em ensemble é mais precisa do que cada modelo individual. Além disso, a abordagem em ensemble é mais robusta, pois não requer que os desenvolvedores selecionem o modelo mais forte em avanço. A avaliação foi feita em 97 configurações de dados do conjunto GIFT-Eval, e os resultados mostram que o Granite Timeseries Ensemble alcança uma precisão de 0,683 em termos de MASE (Mean Absolute Scaled Error), o que é melhor do que a precisão alcançada por cada modelo individual.

Além disso, a abordagem em ensemble também alcança uma precisão melhor em termos de CRPS/MWQL (Continuous Ranked Probability Score/Mean Weighted Quantile Loss), que é uma medida de precisão para previsões probabilísticas. O IQR Ensemble alcança a melhor precisão em termos de CRPS/MWQL, com uma pontuação de 0,685, enquanto o Probabilistic Ensemble alcança uma pontuação de 0,693.

A combinação de modelos pré-treinados é uma abordagem promissora para melhorar a precisão das previsões de séries temporais. Além disso, a interface extensível e a capacidade de adicionar ou remover modelos facilmente tornam o Granite Timeseries Ensemble uma ferramenta útil para os desenvolvedores que trabalham com previsão de séries temporais. No entanto, é importante notar que a escolha do modelo mais adequado depende do conjunto de dados e da tarefa específica.

Para uma empresa brasileira, a adoção do Granite Timeseries Ensemble pode ser uma opção interessante para melhorar a precisão das previsões de séries temporais. Por exemplo, uma empresa que trabalha com previsão de demanda pode usar o Granite Timeseries Ensemble para combinar diferentes modelos de previsão e obter uma previsão mais precisa. Isso pode ajudar a empresa a tomar decisões mais informadas sobre a produção e o estoque, o que pode levar a uma redução de custos e um aumento da eficiência.

Além disso, a interface extensível do Granite Timeseries Ensemble permite que os desenvolvedores adicionem ou removam modelos facilmente, o que pode ser útil para empresas que trabalham com conjuntos de dados complexos e dinâmicos. Por exemplo, uma empresa que trabalha com previsão de tráfego pode usar o Granite Timeseries Ensemble para combinar diferentes modelos de previsão e obter uma previsão mais precisa, o que pode ajudar a empresa a tomar decisões mais informadas sobre a gestão do tráfego.

Em termos de implementação, o Granite Timeseries Ensemble é fácil de usar e não requer conhecimento avançado de machine learning. Além disso, a Hugging Face fornece uma documentação completa e exemplos de código para ajudar os desenvolvedores a começar a usar o Granite Timeseries Ensemble. No entanto, é importante notar que a implementação do Granite Timeseries Ensemble pode requerer recursos computacionais significativos, especialmente para conjuntos de dados grandes e complexos.

Em resumo, o Granite Timeseries Ensemble é uma ferramenta poderosa para previsão de séries temporais que combina quatro modelos pré-treinados para melhorar a precisão das previsões. A abordagem em ensemble é mais precisa e robusta do que cada modelo individual e pode ser uma opção útil para os desenvolvedores que trabalham com previsão de séries temporais. Para uma empresa brasileira, a adoção do Granite Timeseries Ensemble pode ser uma opção interessante para melhorar a precisão das previsões de séries temporais e tomar decisões mais informadas.