El pronóstico de series temporales se ha convertido en un elemento esencial para la toma de decisiones en diversas industrias, desde la predicción del tráfico hasta la estimación de ventas. Estas capacidades de predicción permiten a las organizaciones tomar decisiones informadas, mitigar riesgos y asignar recursos de manera más eficiente. Sin embargo, los métodos tradicionales de aprendizaje automático a menudo requieren extensos ajustes y personalización, lo que prolonga el desarrollo y consume una gran cantidad de recursos.
En este contexto, emergen innovaciones como Chronos, una familia de modelos de series temporales que aprovechan la potencia de las arquitecturas de modelos de lenguaje grande (LLM) para superar estas limitaciones. Chronos ha sido preentrenado con grandes y variados conjuntos de datos, lo que le permite generalizar su capacidad de pronóstico a través de múltiples dominios. Esta característica le permite sobresalir en pronósticos «zero-shot», es decir, realiza predicciones sin haber sido entrenado específicamente en el conjunto de datos objetivo, superando a la mayoría de los modelos específicos en las evaluaciones realizadas.
Chronos se fundamenta en la observación de que tanto los LLM como el pronóstico de series temporales buscan decodificar patrones secuenciales para predecir eventos futuros. Esta similitud permite tratar los datos de series temporales como un lenguaje a modelar mediante arquitecturas de transformadores. El modelo convierte los datos continuos de series temporales en un vocabulario discreto a través de un proceso de dos etapas: escalar los datos y cuantizarlos en un número fijo de contenedores equidistantes.
Se prevé una integración de Chronos con Amazon SageMaker Pipeline, utilizando un conjunto de datos sintético que simula un escenario de pronóstico de ventas. Esta integración desbloqueará predicciones precisas y eficientes con un mínimo de datos. Los usuarios podrán aprender a utilizar características que coordinan todo el flujo de trabajo, desde la sintonización hasta el despliegue, optimizando así el proceso de desarrollo y permitiendo la aplicación de Chronos a cualquier conjunto de datos de series temporales.
Para quienes estén interesados en este proceso, es necesario acceder a un dominio de SageMaker con los permisos de AWS Identity and Access Management requeridos para la creación y gestión de recursos. SageMaker Pipelines facilitará la orquestación de experimentos de entrenamiento y evaluación, permitiendo ejecutar múltiples iteraciones simultáneamente y reduciendo tanto el tiempo de procesamiento como los costos.
Una vez completado el modelo de pronóstico, este se desplegará mediante los servicios de alojamiento de SageMaker, creando un punto de acceso para realizar predicciones en tiempo real. Esto permitirá una integración fluida con aplicaciones y sistemas existentes, ofreciendo acceso bajo demanda a las capacidades predictivas del modelo a través de una interfaz HTTPS segura.
El rendimiento de Chronos ha sido evaluado en 27 conjuntos de datos no utilizados durante su entrenamiento, demostrando su eficacia en predicciones zero-shot frente a modelos estadísticos locales y específicos de tareas. Los resultados resaltan la capacidad de Chronos para generalizar y adaptarse a situaciones no previamente abordadas.
Esta innovación representa un avance significativo para las empresas de diversos sectores, al facilitar la implementación de técnicas avanzadas de pronóstico de series temporales sin la necesidad de una amplia experiencia interna en aprendizaje automático, lo que mejora significativamente la toma de decisiones y la eficiencia operativa.
