LOGIN
In Breve (TL;DR)
- TimesFM-3 è il nuovo modello AI di Google per il forecasting, capace di analizzare contemporaneamente più serie temporali.
- Può utilizzare anche variabili future già note, come meteo, festività o promozioni, per migliorare le previsioni.
- Ha 330 milioni di parametri, è stato addestrato su oltre un trilione di punti temporali ed è disponibile su GitHub e Hugging Face.
Google ha presentato TimesFM-3, la nuova generazione del suo modello di intelligenza artificiale dedicato alle previsioni sulle serie temporali. L'obiettivo non è “vedere il futuro” in senso letterale, ma utilizzare grandi quantità di dati per stimare con maggiore precisione come potrebbe evolvere un fenomeno nel tempo, dalle vendite alla domanda, fino a scenari nei quali entrano in gioco informazioni come meteo, festività o promozioni programmate.
La novità principale rispetto a TimesFM-2.5 è che il modello non guarda più necessariamente una sola serie storica alla volta. Può mettere in relazione più variabili contemporaneamente, cercando di capire come si influenzano tra loro e come potrebbero incidere sul risultato finale.
Come funziona TimesFM-3
Per spiegare il funzionamento del modello, Google utilizza l'esempio delle vendite di gelato. Un sistema tradizionale potrebbe osservare soltanto quante confezioni sono state vendute nelle settimane precedenti e utilizzare quel comportamento per stimare le vendite future.
TimesFM-3 può invece considerare anche altre informazioni: vendita di prodotti collegati, affluenza nel punto vendita, promozioni già pianificate e persino previsioni meteorologiche future.
Se, ad esempio, è già noto che in determinati giorni ci sarà una promozione, il modello può utilizzare lo storico per capire come iniziative simili abbiano influenzato le vendite e incorporare questa informazione nella previsione. Nell'esempio mostrato da Google, TimesFM-3 anticipa un aumento di circa il 20% delle vendite nei giorni promozionali.
Lo stesso principio può essere applicato in molti altri settori. Google cita retail, finanza, industria, sanità e scienze naturali tra gli ambiti nei quali vengono già utilizzati i foundation model per serie temporali.
Perché TimesFM-3 è diverso dai modelli precedenti
TimesFM-3 dispone di 330 milioni di parametri ed è stato pre-addestrato su un insieme di dati reali e sintetici composto da oltre un trilione di punti temporali.
La caratteristica più importante è però il supporto nativo al forecasting multivariato zero-shot. In pratica il modello può affrontare nuovi problemi previsionali senza dover essere riaddestrato o sottoposto a fine-tuning specifico per ogni singolo compito.
Può inoltre prevedere contemporaneamente più serie collegate e utilizzare sia informazioni disponibili solo nel passato sia variabili future già conosciute, come festività, campagne promozionali o previsioni meteo.
Anche l'architettura è stata modificata. Il modello analizza sia l'evoluzione di ciascuna serie nel tempo sia le relazioni tra serie differenti e genera l'intero orizzonte della previsione in un'unica elaborazione, invece di procedere un segmento alla volta.
TimesFM-3 può davvero prevedere il futuro?
No, almeno non nel senso fantascientifico del termine. TimesFM-3 realizza previsioni probabilistiche sulla base dei dati disponibili e restituisce anche diversi intervalli possibili, così da rappresentare l'incertezza della previsione.
La qualità del risultato dipende quindi dalla qualità dei dati, dalle variabili considerate e dal fatto che gli schemi osservati nel passato continuino ad avere valore anche nel periodo che si vuole prevedere.
Nei test pubblicati da Google, TimesFM-3 ha comunque ottenuto il miglior risultato medio tra i foundation model pre-addestrati valutati su tre benchmark pubblici, sia nelle previsioni puntuali sia in quelle probabilistiche.
Il modello è già disponibile su GitHub e Hugging Face, mentre Google prevede di integrarlo anche in BigQuery. Più che un'AI capace di conoscere ciò che accadrà, quindi, TimesFM-3 rappresenta un nuovo strumento per mettere insieme più segnali e trasformarli in previsioni più informate, soprattutto quando un fenomeno dipende da molte variabili contemporaneamente.
Per saperne di più: Intelligenza Artificiale: cos'è e cosa può fare per noi
Domande frequenti (FAQ)
-
Cos'è TimesFM-3?TimesFM-3 è un foundation model di Google progettato per effettuare previsioni su serie temporali, anche considerando più variabili contemporaneamente.
-
TimesFM-3 può prevedere il meteo?Può utilizzare previsioni meteorologiche come una delle variabili per migliorare altre stime, ad esempio quelle sulle vendite. Non è presentato da Google come un modello meteorologico dedicato.
-
Cosa significa forecasting multivariato?Significa effettuare una previsione considerando contemporaneamente più serie e fattori collegati, invece di analizzare un solo dato storico.
-
Cosa significa zero-shot in TimesFM-3?Significa che il modello può affrontare nuovi compiti previsionali senza richiedere necessariamente un addestramento specifico per ciascun caso.mporanee.
-
Dove può essere utilizzato TimesFM-3?I modelli per serie temporali possono essere applicati a settori come retail, finanza, industria, sanità e scienze naturali. TimesFM-3 è già disponibile su GitHub e Hugging Face.
