Gönderiyi okuyorsunuz: Daha yeni makine öğrenimi araştırmalarında Salesforce’un yapay zeka ekibi, üstel düzeltme ilkesinden yararlanan, ETSformer adında yeni bir zaman serisi tahmin modeli geliştirdi…
Zaman serisi tahmini son zamanlarda büyük önem kazanmıştır. Önceki verilere, özellikle de geçici veya sıralı olarak toplanan sayısal verilere dayanarak gelecek tahminleri yapma görevi, zaman serisi tahmini olarak bilinir. Bu tür verilerin doğru tahmin edilmesinin, e-ticaret satışlarını tahmin etmek, şirketlerin tedarik zinciri kararlarını iyileştirmesine ve daha etkili fiyatlandırma stratejileri geliştirmesine olanak sağlamak gibi çeşitli alanlarda birçok avantajı vardır. Tahminin hayati önem taşıdığı bir diğer önemli alan ise AIOps’tur. Yapay zeka ve makine öğrenimi, operasyonel verimliliği önemli ölçüde artırmak için BT operasyonları tarafından sıklıkla üretilen büyük miktardaki zaman serisi verilerini analiz edebilir. Üstel düzeltme, tahmin sırasında zaman serisi verileriyle çalışırken kullanılır. Tahminlerin, geçmiş gözlemlerin ağırlıklı ortalamaları olduğu ve ağırlıkların zaman içinde katlanarak azaldığı fikrinden ilham alan bir teknikler grubudur. Kısacası, yakın tarihin yeni tahminler formüle etmek veya mevcut kalıpları tanımak için daha anlamlı olması gerektiği fikrini yansıtan güncel verilere tarihsel verilerden daha fazla ağırlık veriliyor.
Trend ve mevsimsellik, zaman serisi verilerinde en sık rastlanan iki kalıptır. Tahmin tekniklerinin geliştirilmesi, zaman serilerinin trend ve mevsimsellik bileşenlerine ayrıştırılmasına büyük ölçüde dayanır; çünkü bunu yapmak, her bir bileşenin ayrı ayrı değerlendirilmesini basitleştirir ve daha doğru tahminler üretir. Trend ve mevsimsellik ayrıştırmaları, modelleri tahmin ederken üstel ağırlıklı bir ayrıştırma ile birlikte zaman serisi yapılarıyla ilgili ön bilgileri dikkate alır. Tahminde kullanılan tekniklerin popülaritesi ve doğruluğu, avantajlarının açık bir göstergesidir. Zaman serisi metriklerinin çokluğu nedeniyle basit istatistiksel modeller artık pratik değildir; Doğru uzun vadeli tahminler üretmek için daha güçlü makine öğrenimi ve derin öğrenme modelleri kullanılır. Ancak zaman serisi verileri çoğunlukla düzensiz ve gürültülüdür ve mevcut yaklaşımlar trendleri ve mevsimselliği yeterince dikkate almamaktadır. Mevcut yaklaşımlar bazı ön bilgileri hesaba katabilir ancak zaman serilerine özgü değildir, bu da hatalı uzun vadeli projeksiyonlara ve yetersiz zamansal model modellerine yol açar.
Salesforce’taki araştırmacılar, mevcut yaklaşımların eksikliklerine çözüm olarak ETSformer zaman serisi tahmin yöntemini tanıttı. “Üstel düzeltme transformatörleri” yöntemi, zaman serisi verilerini işleyecek şekilde yapılandırılabilen bir transformatör kullanır. Geleneksel üstel yumuşatma tekniklerinden ilham alan ETSformer, üstün performans üretmek için transformatörlerin gücünü verimlilikleriyle birleştiriyor. Sistem mimarisi temel olarak bir kodlayıcı ve bir kod çözücü içeren ve üç ana süreç için gerekli olan bir transformatörden oluşur. Kodlayıcı ayrıştırma adımını yönetir. Zaman serisi girdi olarak kullanılmış ve buradan seviye, büyüme ve mevsimsellik bileşenleri çıkarılmıştır. Bu öğeler, onları geleceğe tahmin eden ekstrapolasyon işlemi sırasında kod çözücüye iletilir. Tahmin edilen bileşenler, kod çözücüden ayrılmadan önceki son aşamada tek bir gelecek projeksiyonunda birleştirilir.
Ekip, çok sayıda değerlendirme yoluyla, geleneksel üstel düzeltme tekniklerini transformatör mimarisiyle birleştirme yaklaşımının teorik olarak sağlam bir fikirden daha fazlası olduğunu gösterdi. ETSformer, trafik tahmini, zaman serisi finansal tahmini vb. dahil olmak üzere çeşitli uygulama alanlarından altı gerçek dünya zaman serisi veri setinde en son teknoloji performansı elde ederek metodolojisinin etkinliğini ortaya koyuyor. Ekibin çalışma raporu ampirik bulguların ve diğer referanslarla karşılaştırmaların daha kapsamlı bir analizini sunuyor. Ayrıca ETSformer, hatalı ve gürültülü ayrıştırmalar yerine, beklenen miktarların yorumlanabilir ayrıştırmalarını oluşturarak net bir trend ve mevsimsel model ortaya koyuyor. Sistemin, anlaşılabilir zaman serisi bileşenlerinin bir kombinasyonuna dayalı olarak tahminler oluşturması dikkat çekicidir. Bu, her bir öğeyi ayrı ayrı görüntülemeyi ve mevsimsellik ile eğilimin tahminleri nasıl etkilediğini anlamayı mümkün kılar. Bu yorumlanabilirlik, yapay zeka sistemleri tarafından alınan kararların mümkün olduğunca şeffaf olmasına olanak tanıdığı için çok önemli bir bileşendir. ETSformer’ın SOTA performans başarısı, ETS yöntemlerinin transformatör tabanlı tasarımla entegre edilmesinin gerçek dünyayı olumlu yönde etkileyebileceğini gösteriyor. Ekip, zaman serisi tahmini için ETSformer’ın daha fazla araştırılmasını ve ticari kullanımını teşvik etmek amacıyla kodunu açık kaynaklı hale getirdi.
Bu makale Marktechpost personeli tarafından ‘araştırma çalışmasına dayalı olarak bir araştırma özeti makalesi olarak yazılmıştır’STD Eğitmeni: Zaman Serisi Tahmini için Üstel Düzeltme Transformatörleri‘. Bu araştırmanın tüm kredisi bu projenin araştırmacılarına aittir. Görüntüle kağıt, github bağlantısı Ve referans makalesi.
Lütfen katılmayı unutmayın ML alt dizimiz
Yüzlerce Harika Yapay Zeka Aracını bulmak için https://aitoolsclub.com adresini ziyaret edin
