El auge de los modelos de IA para análisis y predicción de datos temporales y pronósticos (financieros, de mercado…)
2024-04-04 14:39:38
Las series temporales desempeñan un papel crucial en la toma de decisiones estratégicas en diversas verticales, incluyendo el comercio, las finanzas, la manufactura y el sector sanitario.
Aunque la adopción de técnicas de inteligencia artificial para la predicción ha sido más gradual en este ámbito en comparación con disciplinas como el procesamiento del lenguaje natural o el reconocimiento de imágenes, actualmente estamos presenciando un notable progreso en el desarrollo de modelos específicamente diseñados para mejorar la precisión en estas predicciones.
Este artículo explora en detalle cómo la inteligencia artificial está avanzando en la predicción de series temporales y cómo estas tecnologías están siendo aplicadas de manera efectiva en una amplia gama de industrias.
Predicción de Series Temporales y Aplicaciones
Los datos de series temporales constituyen una secuencia de puntos de datos registrados en intervalos regulares a lo largo del tiempo. Este tipo de información es ampliamente utilizado en campos como la economía, el clima, la salud y más. Cada punto de datos en una serie temporal está marcado con una estampa de tiempo, lo que facilita el análisis de tendencias, patrones y variaciones estacionales a lo largo del tiempo.
La predicción de series temporales implica el uso de datos históricos para anticipar valores futuros en la serie. Este enfoque es fundamental en estadística y aprendizaje automático, permitiendo la toma de decisiones informadas basadas en comportamientos pasados. Desde proyecciones simples que extrapolan la tasa de crecimiento hasta modelos de IA sofisticados que consideran patrones complejos y factores externos, la predicción de series temporales abarca un amplio espectro de métodos y aplicaciones.
Dentro de estas aplicaciones destacan:
- Mercados Financieros: En este ámbito, la predicción de series temporales se emplea para prever precios de acciones, tipos de cambio y tendencias del mercado. Inversores y analistas utilizan datos históricos para anticipar movimientos futuros y fundamentar decisiones comerciales.
- Ventas y Marketing: Las empresas utilizan la predicción de series temporales para anticipar ventas futuras, demanda y comportamiento del consumidor. Esto contribuye a la gestión de inventarios, fijación de objetivos de ventas y desarrollo de estrategias de marketing.
- Pronóstico del Tiempo: Los departamentos meteorológicos emplean datos de series temporales para prever condiciones climáticas. Al analizar datos climáticos pasados, pueden pronosticar patrones climáticos futuros, facilitando la planificación y toma de decisiones en agricultura, viajes y gestión de desastres.
- Sector Energético: En el ámbito energético, las compañías pronostican la demanda y oferta para optimizar producción y distribución. La predicción de series temporales ayuda a anticipar patrones de consumo de energía, permitiendo una gestión y planificación energética eficiente.
- Atención Médica: En el campo de la salud, la predicción de series temporales se utiliza para anticipar brotes de enfermedades, admisiones de pacientes y requisitos de inventario médico. Esto contribuye a la planificación de la atención médica, asignación de recursos y formulación de políticas.
Modelos Fundamentales de Series Temporales
Los modelos fundamentales de series temporales son herramientas esenciales en este contexto. Estos modelos, entrenados en grandes y diversos conjuntos de datos, poseen la capacidad de discernir patrones y estructuras, lo que les permite adaptarse fácilmente a tareas específicas con un mínimo de entrenamiento adicional.
En comparación con los grandes modelos de lenguaje, los modelos fundamentales de series temporales utilizan arquitecturas de transformadores, pero procesan secuencialmente datos de series temporales en lugar de texto.
Recientemente, se han desarrollado varios modelos fundamentales para datos de series temporales. Con una mejor comprensión y la elección del modelo fundamental adecuado, podemos aprovechar de manera más efectiva y eficiente sus capacidades.
En las secciones siguientes, exploraremos los diferentes modelos fundamentales disponibles para el análisis de datos de series temporales:
- TimesFM: Desarrollado por Google Research, TimesFM es un modelo fundamental solo de decodificador con 200 millones de parámetros. El modelo está entrenado en un conjunto de datos de 100 mil millones de puntos temporales del mundo real, que abarca tanto datos sintéticos como reales de fuentes variadas como Google Trends y las vistas de páginas de Wikipedia. TimesFM es capaz de predecir sin necesidad de entrenamiento en múltiples sectores, incluyendo el comercio minorista, las finanzas, la manufactura, la salud y las ciencias naturales, en diferentes granularidades de tiempo. Google tiene la intención de lanzar TimesFM en su plataforma Google Cloud Vertex AI, brindando sus sofisticadas características de pronóstico a clientes externos.
- Lag-Llama: Creado por investigadores de la Université de Montréal, Mila-Québec AI Institute y la Universidad McGill, Lag-Llama es un modelo fundamental diseñado para la predicción de series temporales probabilísticas univariadas. Basado en la fundación de Llama, el modelo emplea una arquitectura de transformador solo de decodificador que utiliza rezagos temporales y resoluciones temporales de tamaños variables para la predicción. El modelo está entrenado en diversos conjuntos de datos de series temporales de varias fuentes en seis grupos diferentes, que incluyen energía, transporte, economía, naturaleza, calidad del aire y operaciones en la nube. El modelo es accesible de forma conveniente a través de la biblioteca Huggingface.
- Moirai: Desarrollado por Salesforce AI Research, Moirai es un modelo fundamental de series temporales diseñado para pronósticos universales. Moirai está entrenado en el conjunto de datos del Archivo de Series de Tiempo Abierto a Gran Escala (LOTSA), que contiene 27 mil millones de observaciones de nueve dominios distintos, lo que lo convierte en la colección más grande de conjuntos de datos de series temporales abiertos. Este conjunto de datos diverso permite que Moirai aprenda de una amplia gama de datos de series temporales, lo que le permite manejar diferentes tareas de pronóstico. Moirai utiliza múltiples capas de proyección de tamaño de parche para capturar patrones temporales en diversas frecuencias. Un aspecto importante de Moirai es el uso de un mecanismo de atención multi-variable, que permite pronósticos en cualquier número de variables. El código, los pesos del modelo y los datos asociados con Moirai están disponibles en el repositorio de GitHub llamado “uni2ts“
- Chronos: Desarrollado por Amazon, Chronos es una colección de modelos probabilísticos pre-entrenados para la predicción de series temporales. Construidos sobre la arquitectura del transformador T5, los modelos utilizan un vocabulario de 4096 tokens y tienen parámetros variables, que van desde 8 millones hasta 710 millones. Chronos está pre-entrenado en una amplia gama de datos públicos y sintéticos generados a partir de procesos gaussianos. Chronos difiere de TimesFM en que es un modelo codificador-decodificador, lo que permite la extracción de incrustaciones de codificación a partir de datos de series temporales. Chronos puede integrarse fácilmente en un entorno de Python y acceder a través de su API.
- Moment: Desarrollado en colaboración por la Universidad Carnegie Mellon y la Universidad de Pensilvania, Moment es una familia de modelos fundamentales de series temporales de código abierto. Utiliza variaciones de arquitecturas T5, incluyendo versiones pequeñas, base y grandes, siendo el modelo base de aproximadamente 125 millones de parámetros. El modelo se pre-entrena en el extenso «Paquete de Series Temporales», una colección diversa de datos de series temporales públicos que abarcan diversos dominios. A diferencia de muchos otros modelos fundamentales, MOMENT se pre-entrena en una amplia gama de tareas, mejorando su efectividad en aplicaciones como el pronóstico, la clasificación, la detección de anomalías y la imputación. El repositorio completo en Python y la notebook de Jupyter código están públicamente accesibles para utilizar el modelo.
Conclusión
La predicción de series temporales emerge como una herramienta indispensable en diversos sectores, desde las finanzas hasta la salud, permitiendo una toma de decisiones fundamentada en patrones históricos. La evolución de modelos fundamentales avanzados como TimesFM, Chronos, Moment, Lag-Llama y Moirai demuestra un compromiso con la precisión y la sofisticación, aprovechando arquitecturas de transformadores y conjuntos de datos diversos para ofrecer pronósticos y análisis precisos.
Estos modelos abren una ventana hacia el futuro del análisis de series temporales, equipando a empresas e investigadores con herramientas poderosas para navegar con eficacia por paisajes de datos cada vez más complejos.
.
