NVIDIA Kumo Forecast: nyílt idősor-előrejelző modell

Mi változott?

Az NVIDIA október 21-én (Hugging Face blog) részletesen bemutatta a Kumo Forecast modellt, amely korábban NV-Tesseract Forecasting néven futott. A Kumo családot a GTC Berlinen jelentették be, ez az első mélyebb leírás az előrejelző tagról.

A Kumo Forecast többváltozós idősor-előrejelző modell. Két forrásból dolgozik: a tanítás során megtanult reprezentációkból, illetve az adott alkalmazás saját múltbeli adataiból.

Hogyan működik?

• Alap: a MOMENT-1-large Transformer encoder, kb. 340 millió paraméterrel. Az encoder fagyasztva marad, csak a rá épülő előrejelző fej tanul.
• DARR mód (Domain-Aware Representation and Retrieval): k-legközelebbi-szomszéd kereséssel hasonló mintákat húz elő egy külön átadott historikus DataFrame-ből, majd ezt keveri a közvetlen előrejelzéssel. A két út súlya konfigurálható.
• Magyarázhatóság: kérésre horizontonként lag- és feature-attribúciókat, stabilitási diagnosztikát és opcionálisan Integrated Gradients elemzést ad, az előrejelző modell módosítása nélkül.
• Hosszabb horizont: a natív tartományon túl autoregresszív kiterjesztéssel jósol tovább.

Mire kell figyelni?

Csak numerikus idősort fogad: egy időbélyeg-oszlopot és egy vagy több értékoszlopot pandas DataFrame, CSV vagy JSON formában. A bemenet hossza 256, 512, 1024 vagy 2048 megfigyelés lehet. DARR módban a kontextusadat szerkezetének hasonlítania kell a bemenetére.

A modellkártya szerint Linuxon, PyTorch alatt fut, Ampere és Hopper GPU-kon tesztelték. A Monash idősor-archívum kb. 3 millió adatpontján tanították. A blog konkrét benchmarkszámokat nem közöl, az NVIDIA saját adaton végzett validálást kér.

Hogyan próbálható ki?

A kód a Kumo-TS GitHub-repóban, a súlyok a Hugging Face-en érhetők el Apache 2.0 licenccel. A repóban saját CSV-re finomhangolási példa is van. Az NVIDIA a gyári karbantartásra szánt FOX blueprintben a Kumo Anomaly modellel együtt early access modulként használja.

Mit jelent ez?

Prediktív karbantartáshoz vagy terheléstervezéshez kapunk egy nyílt, kereskedelmi célra is használható modellt, amely nem fekete doboz. A visszakeresés miatt a saját historikus adat közvetlenül javíthat az eredményen, teljes újratanítás nélkül. Érdemes a közvetlen és a DARR módot ugyanazon a visszatartott adaton összemérni.