El pronóstico de series temporales ha emergido como un componente esencial en la toma de decisiones para numerosas industrias, desde la previsión del tráfico hasta la estimación de ventas. Esta habilidad para realizar predicciones precisas permite a las organizaciones tomar decisiones informadas, gestionar riesgos y asignar recursos de manera más efectiva. Sin embargo, los métodos tradicionales de aprendizaje automático suelen necesitar ajustes extensivos y una customización particular, lo cual puede hacer el desarrollo lento y costoso.
En este panorama surge Chronos, una revolucionaria serie de modelos de series temporales que aprovecha el poder de las arquitecturas de modelos de lenguaje grandes (LLM) para superar estas limitaciones. Chronos está preentrenada en extensos y variados conjuntos de datos, lo que le permite extender su capacidad de pronóstico a múltiples dominios. Su enfoque permite realizar pronósticos «zero-shot», lo que significa que puede hacer predicciones sin necesidad de un entrenamiento específico en el conjunto de datos objetivo, superando a modelos especializados en la mayoría de los casos evaluados.
Chronos se sustenta en la observación de que tanto los modelos de lenguaje como el pronóstico de series temporales decodifican patrones secuenciales para anticipar eventos futuros. Este paralelo permite considerar los datos de series temporales como un lenguaje que puede ser modelado mediante arquitecturas de transformadores. Para facilitar este proceso, Chronos transforma los datos continuos de series temporales en un vocabulario discreto a través de un proceso de dos pasos, escalando y cuantizando los datos en contenedores equidistantes.
En la actualidad, Chronos se está integrando en Amazon SageMaker Pipeline, usando un conjunto de datos sintético que simula un escenario de pronóstico de ventas. Esta integración abrirá las puertas a predicciones precisas y eficientes con una mínima cantidad de datos. Los usuarios interesados podrán aprender a utilizar las funcionalidades que orquestan todo el flujo de trabajo, desde la sintonización hasta el despliegue, optimizando así el desarrollo y aplicando Chronos a cualquier tipo de dato de series temporales.
Para aquellos que deseen participar en este proceso, es necesario tener acceso a un dominio de SageMaker con los permisos de AWS Identity and Access Management adecuados para crear y gestionar recursos. SageMaker Pipelines permitirá la orquestación de experimentos de entrenamiento y evaluación, facilitando la ejecución simultánea de iteraciones múltiples y reduciendo tanto el tiempo de procesamiento como los costos asociados.
Una vez completado el modelo de pronóstico, este será desplegado usando los servicios de alojamiento de SageMaker, generando un punto de acceso para realizar predicciones en tiempo real. Esto facilitará una integración fluida con aplicaciones y sistemas, ofreciendo acceso bajo demanda a las capacidades predictivas del modelo mediante una interfaz HTTPS segura.
Los resultados obtenidos con Chronos han sido evaluados sobre 27 conjuntos de datos no utilizados durante su entrenamiento, mostrando su eficacia en predicciones zero-shot comparado con modelos estadísticos locales y modelos específicos de tareas. Los hallazgos resaltaron la capacidad de Chronos para generalizar y adaptarse a escenarios no previamente entrenados.
Con esta innovación, Chronos y su integración con Amazon SageMaker representan un significativo avance para las empresas de diversos sectores, simplificando la implementación de técnicas avanzadas de pronóstico de series temporales sin la necesidad de contar con amplia experiencia interna en aprendizaje automático, mejorando así la toma de decisiones y la eficiencia operativa.
