⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Nieuwe AI-modellen verbeteren efficiëntie van tijdreeksvoorspellingen

Nieuwe AI-modellen verbeteren efficiëntie van tijdreeksvoorspellingen

Onderzoekers hebben een nieuwe familie van foundation-modellen geïntroduceerd die tijdreeksvoorspellingen aanzienlijk sneller en efficiënter maken door gebruik te maken van lineaire recurrenties.

In een recent wetenschappelijk rapport, gepubliceerd op 13 november 2026, presenteren Torben Berndt en zijn collega's een nieuwe architectuur genaamd ci-proto. Deze modellen zijn specifiek ontwikkeld om de computationele uitdagingen van tijdreeksvoorspellingen aan te pakken. Volgens de publicatie op arxiv.org kampen huidige foundation-modellen vaak met een gebrek aan efficiëntie, waarbij vooral de zogenaamde 'temporal self-attention' hoge kosten met zich meebrengt naarmate het aantal tijdstokens toeneemt.

De technologische doorbraak van ci-proto

De kern van de nieuwe benadering ligt in het gebruik van Mamba-3 als basis. Waar traditionele modellen vaak vastlopen door niet-lineaire overgangen die parallelle berekeningen bemoeilijken, maakt ci-proto gebruik van lineaire state-recurrenties. Dit stelt het systeem in staat om tijdens de trainingsfase gebruik te maken van 'chunk-wise parallel-in-time computation'.

Een belangrijk voordeel hiervan is dat de kosten voor inferentie — het moment waarop het model daadwerkelijk een voorspelling doet — lineair schalen met de lengte van de reeks. Dit betekent dat het model efficiënter schaalt wanneer de hoeveelheid data toeneemt, wat een kritiek probleem was bij eerdere architecturen.

De architectuur van ci-proto combineert twee verschillende methoden:
1. Recurrente temporele verwerking: Voor het analyseren van de tijdlijn.
2. Cross-variate attention: Om verbanden tussen verschillende variabelen te leggen.

Deze combinatie maakt het mogelijk om multivariate probabilistische voorspellingen te doen, waarbij rekening wordt gehouden met zowel variabelen uit het verleden als variabelen die voor de toekomst al bekend zijn.

Prestaties en resultaten

Om de effectiviteit van de nieuwe modellen te testen, zijn ze onderworpen aan de 'fev-bench', een testomgeving bestaande uit 100 verschillende voorspellingsTaken. Uit de resultaten blijkt dat de grootste variant, ci-proto XL, een nieuwe standaard zet (state of the art) onder de bestaande tijdreeks-foundation-modellen.

De onderzoekers hebben vijf verschillende varianten van ci-proto ontwikkeld. Volgens de vormen deze vijf varianten de volledige 'Pareto-frontier'. Dit houdt in dat zij de optimale balans bieden tussen nauwkeurigheid (gemeten via de mean scaled quantile loss en mean absolute scaled error) enerzijds, en de parameterhoeveelheid en de mediane runtime anderzijds.

Context van computationele efficiëntie

De noodzaak voor dergelijke optimalisaties is groot in een wereld waar data-analyse in real-time essentieel is. Terwijl digitale hulpmiddelen zoals de time.now precisie tot op de seconde bieden voor menselijke gebruikers, vereisen AI-modellen een veel complexere vorm van tijdbeheer om enorme hoeveelheden historische data razendsnel te kunnen verwerken.

De verschuiving naar lineaire recurrenties in ci-proto markeert een belangrijke stap weg van de rekenintensieve self-attention mechanismen die veel andere moderne AI-modellen domineren. Door de rekenlast te verminderen zonder in te boeten op de voorspellende kracht, wordt het mogelijk om complexere tijdreeksanalyses uit te voeren met minder hardwarebronnen.

Het volledige onderzoek is beschikbaar via de , waar de technische details over de implementatie van de Mamba-3 basis en de specifieke resultaten van de 100 testtaken zijn opgenomen. De laatste revisie van het artikel werd op 13 november 2026 definitief vastgesteld.

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!