El pronóstico de series temporales ha emergido como un elemento esencial en la toma de decisiones de diversas industrias, abarcando desde la predicción del tráfico hasta la estimación de ventas. La habilidad de realizar pronósticos precisos permite a las organizaciones tomar decisiones informadas, mitigar riesgos y asignar recursos adecuadamente. No obstante, los métodos tradicionales de aprendizaje automático a menudo demandan ajustes significativos y una personalización detallada del modelo, lo cual implica un desarrollo prolongado y que consume muchos recursos.
Ante este escenario, surge Chronos, una innovadora familia de modelos de series temporales que utiliza la potencia de las arquitecturas de modelos de lenguaje grandes (LLM) para superar las limitaciones existentes. Como modelo fundamental, Chronos ha sido preentrenado en grandes y variados conjuntos de datos, lo que le permite generalizar sus capacidades de pronóstico a través de múltiples dominios. Este enfoque vanguardista le permite destacar en pronósticos «zero-shot», realizando predicciones sin un entrenamiento específico en el conjunto de datos objetivo, superando a modelos específicos en la mayoría de los casos evaluados.
Chronos se basa en una observación clave: tanto los LLMs 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 ser modelado mediante arquitecturas de transformadores. Para hacer esto posible, Chronos convierte los datos de series temporales continuas en un vocabulario discreto mediante un proceso de dos etapas que involucra escalar los datos y cuantizarlos en un número fijo de contenedores equidistantes.
Actualmente, está prevista la integración de Chronos en Amazon SageMaker Pipeline utilizando un conjunto de datos sintético que simula un escenario de pronóstico de ventas. Este paso permitirá el logro de predicciones precisas y eficientes con un mínimo de datos. Los usuarios interesados podrán aprender a utilizar características que orquestan todo el flujo de trabajo, desde la sintonización hasta el despliegue, optimizando así el proceso de desarrollo y aplicando Chronos a cualquier dato de series temporales.
Para seguir el proceso, se requiere acceso a un dominio de SageMaker con los permisos necesarios de AWS Identity and Access Management para la creación y gestión de recursos. SageMaker Pipelines facilitará la ejecución de múltiples iteraciones de experimentos simultáneamente, reduciendo tanto el tiempo de procesamiento como los costos asociados.
Una vez finalizado el modelo de pronóstico, este será desplegado mediante los servicios de alojamiento de SageMaker, creando un punto de acceso para realizar predicciones en tiempo real. Esta integración permitirá una conexión fluida con aplicaciones y sistemas, proporcionando acceso bajo demanda a las capacidades predictivas del modelo a través de una interfaz HTTPS segura.
El desempeño de Chronos ha sido evaluado en 27 conjuntos de datos que no fueron utilizados durante su entrenamiento, demostrando su efectividad en predicciones zero-shot frente a modelos estadísticos locales y modelos específicos de tareas. Los resultados resaltan la capacidad de Chronos para generalizar y adaptarse a situaciones no previamente entrenadas.
Con esta innovación, Chronos y su integración con Amazon SageMaker representan un avance significativo para diversas industrias, facilitando la implementación de técnicas avanzadas de pronóstico de series temporales sin la necesidad de tener una amplia experiencia interna en aprendizaje automático, mejorando así la toma de decisiones y la eficiencia operativa.
