‏TimesFM 3.0 گوگل: پیش‌بینی سری زمانی بدون آموزش

TimesFM 3.0 یه ترنسفورمر decoder-only از Google Research هست که مخصوص پیش‌بینی سری زمانی (یعنی دیتایی که تو طول زمان ثبت می‌شه، مثل فروش روزانه) ساخته شده. روش‌های کلاسیک مثل ARIMA لازم دارن برای هر سری یه مدل جدا آموزش بدی، ولی TimesFM به‌صورت zero-shot کار می‌کنه؛ یعنی روی دیتایی که هیچ‌وقت ندیده، بدون آموزش مجدد پیش‌بینی می‌ده. مدل روی Hugging Face با اسم google/timesfm-3.0-pytorch در دسترسه.

سازوکارش شبیه مدل‌های زبانیه. تاریخچهٔ داده به تکه‌های ۳۲ قدمی (patch) تقسیم می‌شه، هر تکه یه توکن می‌شه و مدل تکهٔ بعدی رو پیش‌بینی می‌کنه، درست مثل پیش‌بینی کلمهٔ بعدی. مدل لازم نیست بدونه عددها چی هستن؛ فقط الگوهای تکراری مثل چرخهٔ هفتگی، افت تعطیلات و روندهای آروم رو می‌شناسه. به گفتهٔ گوگل، روی بیشتر از یک تریلیون نقطهٔ زمانی آموزش دیده و خروجیش یه پیش‌بینی میانه به‌علاوهٔ یه بازهٔ عدم قطعیته.

فرق اصلی با نسخهٔ 2.5 اینه که حالا future covariates (یعنی اطلاعاتی که از آینده می‌دونی، مثل تاریخ تعطیلات یا یه تخفیف برنامه‌ریزی‌شده) مستقیم داخل مدل می‌ره. تو 2.5 باید اول یه رگرسیون جدا بیرون مدل اجرا می‌کردی. نسخهٔ 3.0 چند سری مرتبط رو هم‌زمان می‌گیره و کل بازهٔ پیش‌بینی رو یه‌جا تولید می‌کنه. گوگل می‌گه تو سه بنچمارک عمومی، بین مدل‌های پایه رتبهٔ اول رو داره.

تو تست روی دیتای مسافرهای مترو و اتوبوس نیویورک، هر دو نسخه خطا رو حدود ۲۵٪ نسبت به یه baseline فصلی کم کردن. وقتی تقویم تعطیلات اضافه شد، مدل افت روز Labor Day رو درست گرفت. نسخهٔ 2.5 از ورودی‌های اضافه کمی بهتر استفاده کرد و بازهٔ عدم قطعیتش قابل‌اعتمادتر بود، ولی 3.0 چند برابر سریع‌تر بود. تو یه بیزینس شبیه‌سازی‌شده هم 3.0 درآمد دو ماه رو با خطای ۲٪ و یه فصل بعد با خطای ۶٪ پیش‌بینی کرد.

مشکل جایی پیدا شد که بودجهٔ تبلیغات ژانویه دوبرابر شد. نسخهٔ 3.0 تقریباً تکون نخورد ولی 2.5 یه جهش بزرگ پیش‌بینی کرد و جواب واقعی وسط این دوتا بود. یه ایجنت هوش مصنوعی که به 3.0 اعتماد کرده بود، تو دو تا از سه اجرا برنامهٔ اشتباه رو پیشنهاد داد. نویسنده می‌گه این یه محدودیت ساختاریه نه باگ: مدل فقط روی متغیرهایی می‌تونه درست پیش‌بینی کنه که تو تاریخچه تغییر کرده باشن. مثلاً اگه قیمت چهار سال ثابت مونده، هیچ مدلی نمی‌تونه اثر گرون‌کردن رو حدس بزنه.

توصیهٔ مقاله اینه که برای ادامهٔ الگوهای فعلی از TimesFM استفاده کنی، ولی برای تصمیم‌های بزرگ آزمایش کوچیک و کنترل‌شده انجام بدی و بازه‌های عدم قطعیت رو روی دیتای قدیمی backtest کنی، چون بازه‌های 3.0 کمی زیادی باریک بودن. لایسنس هم مهمه: 2.5 با Apache 2.0 کاملاً آزاده، ولی وزن‌های 3.0 برای self-host فقط غیرتجاری هستن و استفادهٔ تجاری از طریق Google Cloud و BigQuery ممکنه.

نکات کلیدی:

• هر patch برابر ۳۲ قدم زمانیه و یه توکن حساب می‌شه
• کاهش حدود ۲۵٪ خطا نسبت به baseline فصلی روی دیتای حمل‌ونقل نیویورک
• خطای ۲٪ برای پیش‌بینی دو ماهه و ۶٪ برای یه فصل بعد
• نسخهٔ 3.0 سریع‌تره ولی 2.5 بازهٔ عدم قطعیت مطمئن‌تری داشت
• TimesFM 2.5 با Apache 2.0 و وزن‌های 3.0 فقط برای استفادهٔ غیرتجاری