هوش مصنوعی
IBM و Hugging Face از ترکیب چهار مدل Granite برای پیش‌بینی سری‌های زمانی رونمایی کردند
Granite Timeseries Ensemble بدون آموزش دوباره یا تنظیم وزن‌های ترکیب، خروجی چهار مدل را یک‌جا ارائه می‌کند؛ روشی که انتخاب مدل مناسب را ساده‌تر می‌کند.
IBM Research در همکاری با Hugging Face، Granite Timeseries Ensemble را معرفی کرده است؛ روشی برای ترکیب چهار مدل ازپیش‌آموزش‌دیدهٔ Granite در پیش‌بینی سری‌های زمانی. هدف، کاهش نیاز به انتخاب دستی مدل مناسب برای هر نوع داده و وظیفه است؛ چون مدلی که با سیگنال‌های صنعتی هموار خوب کار می‌کند، ممکن است در پیش‌بینی تقاضای پرنوسان خرده‌فروشی یا افق‌های فصلی طولانی عملکرد مناسبی نداشته باشد.
این ترکیب دو گزینه دارد: Probabilistic Ensemble که پیش‌بینی‌ها را با وزن‌های احتمالی یکنواخت تجمیع می‌کند، و Inter Quartile Range (IQR) Ensemble که رویکردی تطبیقی دارد. هر دو بدون بازآموزی و بدون برازش وزن‌های اختصاصی برای مدل‌ها کار می‌کنند. دستورالعمل ترکیب و اعضای پیش‌فرض Granite با مجوزهای آزاد و مجاز منتشر شده‌اند و رابط کاربری آن امکان افزودن پیش‌بینی‌کننده‌های سازگار را هم می‌دهد.
خروجی شامل پیش‌بینی نقطه‌ای و پیش‌بینی‌های چندک است. چندک‌ها به‌طور پیش‌فرض بازهٔ ۰٫۱ تا ۰٫۹ را پوشش می‌دهند؛ برای نمونه، استفاده از چندک‌های ۰٫۱ و ۰٫۹ بازه‌ای با پوشش اسمی ۸۰ درصد می‌سازد. این بازه میزان عدم‌قطعیت پیش‌بینی را نشان می‌دهد، اما متن منبع جزئیات ارزیابی یا محدودیت‌های روش را شرح نمی‌دهد و برای آن‌ها به کارت مدل ارجاع می‌دهد.
پیکربندی این دستورالعمل وزن‌های ادغام‌شده را ذخیره نمی‌کند؛ در عوض، چهار فایل مدل هنگام اجرا دریافت می‌شوند، بنابراین اجرای نخست ممکن است زمان بیشتری ببرد. معماری‌های اعضای ترکیب نیز متفاوت‌اند و به شیوه‌های گوناگون روند، فصل‌مندی و تغییرات محلی را در نظر می‌گیرند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: Hugging Face — مشاهده منبع اصلی ↗