Een team van internationale onderzoekers heeft Chronos-2 gepresenteerd, een geavanceerd fundatiemodel dat in staat is om complexe interacties tussen meerdere tijdreeksen en externe variabelen te voorspellen zonder dat hiervoor specifieke training per domein nodig is.
Het voorspellen van toekomstige trends met een nauwkeurige bepaling van onzekerheden is van cruciaal belang in diverse wetenschappelijke disciplines. Tot voor kort moesten voorspellingsmodellen echter vaak apart worden ontwikkeld en getraind voor elke specifieke dataset binnen een bepaald vakgebied, zoals in de economie of de epidemiologie. Volgens een publicatie op arxiv.org probeerden eerdere tijdreeks-fundatiemodellen (TSFMs) deze beperking op te heffen via grootschalige pretraining, maar zij behandelden tijdreeksen vaak onafhankelijk van elkaar. Hierdoor konden zij de interacties tussen verschillende reeksen en externe stuurfactoren niet effectief modelleren.
Een sprong in nauwkeurigheid en efficiëntie
Chronos-2 is ontwikkeld om deze tekortkoming aan te pakken. Het model is ontworpen voor zogenaamde 'zero-shot forecasting', wat betekent dat het voorspellingen kan doen voor data die het tijdens de training niet heeft gezien, zonder dat er taakspecifieke aanpassingen nodig zijn. Het model leidt de relaties tussen tijdreeksen direct af uit de historische context en genereert probabilistische voorspellingen.
De resultaten van het model zijn volgens de indrukwekkend. In diverse benchmarks behaalde Chronos-2 een gemiddelde state-of-the-art nauwkeurigheid. De 'skill scores' verbeterden met 5,2 procentpunt ten opzichte van de sterkste baselines, terwijl de winstpercentages met 10 procentpunten stegen.
Naast de nauwkeurigheid blinkt het model uit in rekenkundige efficiëntie. Op een enkele GPU van het middensegment kan Chronos-2 voorspellingen genereren voor 100 tijdreeksen in minder dan één seconde. Dit is volgens de respectievelijk 50 keer en 1000 keer sneller dan de beste taakspecifieke voorspellers voor punt- en probabilistische voorspellingen.
Toepassing in diverse wetenschappelijke domeinen
De veelzijdigheid van Chronos-2 is aangetoond in diverse complexe scenario's. Het model is effectief gebleken bij:
* Het voorspellen van infectieziekten (epidemiologie).
* Macro-economische modellering.
* Het voorspellen van koolstofstromen (carbon-flux).
* Simulaties van afvoer in de hydrologie.
In deze diverse settings matcht of overtreft het model gespecialiseerde methoden die specifiek voor elk van deze domeinen waren ontwikkeld. Dit bewijst dat een enkel, vooraf getraind model in staat is om structuren te vatten die gedeeld worden over verschillende temporele systemen, zoals beschreven in de .
Context en andere vermeldingen
Terwijl Chronos-2 de grenzen van kunstmatige intelligentie en data-analyse verlegt, is het belangrijk om dit technologische model te onderscheiden van andere entiteiten met een gelijknamige aanduiding. Zo is er in de commerciële sector sprake van Chronos Engineering Tools, een leverancier van technische benodigdheden zoals digitale instelapparatuur en draaibankonderdelen. Echter, zoals vermeld op de website van ltd.uk, is deze specifieke website inmiddels gesloten.
Daarnaast is er geen relevante informatie beschikbaar over de relatie tussen dit AI-model en historische of mythologische contexten, ondanks de aanwezigheid van domeinen zoals greekmythology.com, waar geen actuele informatie over dit specifieke model is terug te vinden.
De introductie van Chronos-2 markeert een belangrijke stap richting universele voorspellingsmodellen die de noodzaak voor arbeidsintensieve, domeinspecifieke modeltraining aanzienlijk kunnen verminderen.