- Zaman serisi verilerinin temel bileşenlerini, yani eğilim, mevsimsellik ve gürültüyü anlamak.
- SARIMA ve Holt-Winters gibi geleneksel tahmin yöntemlerini modern yapay zeka destekli yaklaşımlarla karşılaştırmak.
- Zaman Serisi Temel Modellerinin (TSFM) ortaya çıkışını ve sektörler arası uygulamalarını incelemek.
- Sayısal dizi tahmininde transformatörlerin ve yama işlemlerinin teknik mimarisinin analizi.
Veri dünyasına daldığımızda, zamansal kalıplar temelde zaman içinde değişen herhangi bir dizinin nabzını oluşturur. İster hisse senedi fiyatlarını takip ediyor olun, ister bir hastanın kalp atış hızını izliyor olun, amaç her zaman aynıdır: Geçmişte ne olduğunu anlayıp gelecekte ne olacağını tahmin etmek. Bu sadece bir grafikte noktalar çizmekle ilgili değil; sayıların nasıl evrimleştiğini yöneten gizli ritimleri çözmekle ilgilidir.
Uzun bir süre boyunca bunu yapmak için katı matematiksel formüllere güvendik, ancak son zamanlarda işler değişti. Artık basit istatistiksel modellerden, sayısal dünyanın LLM'leri gibi olan Zaman Serisi Temel Modellerine (TSFM'ler) doğru büyük bir sıçrama görüyoruz. Bu araçlar , her yeni veri kümesiyle karşılaştığımızda sıfırdan başlamak zorunda kalmadan, farklı sektörlerdeki kalıpları genelleştirmemizi sağlıyor .
Temel Bilgilerin İncelenmesi: Trendler, Mevsimsellik ve Gürültü
Geleceği tahmin edebilmek için öncelikle verilerinizi parçalara ayırmanız gerekir. Ayrıştırma olarak bilinen bu süreç, bir veri serisini üç ana bileşene ayırır. İlk olarak, genel uzun vadeli yönü ifade eden trend vardır; yani veriler genel olarak yukarı mı, aşağı mı gidiyor yoksa sabit mi kalıyor? Ardından, belirli aralıklarla tekrarlanan öngörülebilir dalgalanmaları ifade eden mevsimsellik gelir ; örneğin, dondurma satışlarının her yaz artması gibi.
Son olarak, rastgelelik veya gürültü var . Bu, trendi ve mevsimsel kalıpları çıkardıktan sonra kalan kaotik şeydir. Bu unsurları izole etmek için analistler genellikle üstel düzeltme, hareketli ortalamalar veya mevsimsel ayarlama gibi tekniklere başvururlar . Bazıları mevsimselliğin her zaman var olduğunu varsayarken, boş bir ACF (Otomatik Korelasyon Fonksiyonu) grafiği, frekans aylık veya üç aylık olsa bile, SARIMA veya Holt-Winters gibi mevsimsel bir modelin o belirli veri için aslında doğru model olmadığını gösterebilir.
Yeni Çağ: Zaman Serisi Temel Modelleri (TSFM'ler)
İşte işler burada gerçekten ilginçleşiyor. TSFM'ler, her bir görev için özel bir modele ihtiyaç duymadan çeşitli alanlarda tahmin, sınıflandırma ve anomali tespiti yapabilen önceden eğitilmiş dev sistemlerdir. Perakende için bir model ve enerji için başka bir model eğitmek yerine, bu sistemler zamanın genel bir "gramerini" öğrenmek için transformatör tabanlı mimariler kullanırlar . Sayısal dizilerin gerçek dünyada nasıl davrandığını anlamak için büyük veri kümelerinden yararlanırlar.
- Amazon Chronos-2: T5 mimarisine dayalı, yalnızca kodlayıcı içeren ve büyük bir benimsenme gören bir model.
- Salesforce Moirai-2: Milyarlarca gözlem içeren muazzam LOTSA veri kümesi üzerinde eğitilmiş, yalnızca kod çözücüden oluşan bir transformatör.
- Google TimesFM-2.5: Yaklaşık 200 milyon parametreye ve uzun bir bağlam penceresine sahip, kompakt ama güçlü bir model, şu amaçlarla tasarlanmıştır: hızlı çıkarım ve yüksek doğruluk.
- Güneş saati: Tsinghua Üniversitesi'nden, piyasa kıyaslamalarında sürekli olarak en yüksek puanları alan özel bir model.
Teknoloji Gerçekte Nasıl Çalışıyor?
Metin tabanlı yapay zekânın aksine, TSFM'ler kelimelere değil, ardışık zaman noktalarının parçalarına bakar . Bu parçalar, kronolojik sırayı korumak için çok katmanlı bir algılayıcı (MLP) ve konumsal kodlamalar aracılığıyla gömülü vektörlere dönüştürülür . TimesFM gibi modellerdeki akıllıca bir tasarım tercihi, girdiden daha uzun bir çıktı parçası tahmin etmektir; bu, yinelemeli adımları azaltır ve hataların uzun zaman dilimlerinde büyümesini önler.
Bu modelleri sağlam hale getirmek için geliştiriciler genellikle sentetik verileri (zamanın temel kurallarını öğretmek için) Wikipedia sayfa görüntülemeleri veya Google Trends gibi kaynaklardan gelen gerçek dünya verileriyle karıştırırlar . Bu hibrit yaklaşım, modelin sıfır atış performansı elde etmesini sağlar ; yani, daha önce hiç görmediği bir veri kümesi için ek ince ayar gerektirmeden makul tahminler sağlayabilir.
Endüstriler Arası Gerçek Dünya Uygulamaları
Bu modellerin çok yönlülüğü gerçekten akıl almaz. Perakende sektöründe , tatilleri ve promosyonları hesaba katarak, ürün bazında talebi tahmin etmeye yardımcı olurlar. Finans sektöründe ise, TSFM'ler, gürültülü verilerle veya piyasaya yeni giren varlıklarla uğraşırken hayat kurtarıcıdır ve GARCH veya ARIMA gibi geleneksel modellerin piyasa rejimindeki değişiklikler nedeniyle başarısız olduğu durumlarda bir güvenlik ağı sağlar.
Tıp uzmanları bu modelleri hastalar için erken uyarı sistemleri oluşturmak veya klinik çalışmalardaki ince anormallikleri tespit etmek için kullanıyor. Enerji sektöründe ise , tüketim geçmişini rüzgar hızı gibi dış faktörlerle birleştirerek yenilenebilir enerjinin dalgalanmasını yönetiyorlar. Hatta üretimde bile , bu modeller uzun süreler boyunca sensör bağımlılıklarını analiz ederek makine arızasının erken belirtilerini tespit edebiliyor.
Engeller ve Ödünleşmeler
Ancak her şey güllük gülistanlık değil. TSFM'ler ciddi zorluklarla karşı karşıya. Birincisi, sayılar için evrensel bir gramer eksikliği var; dilin aksine, farklı sektörler farklı örnekleme oranları kullanıyor. Ayrıca, ön eğitim için gereken büyük miktarda veriyi toplarken gizlilik endişeleri de mevcut ve hesaplama maliyeti oldukça yüksek olabiliyor.
LLM'lerle karşılaştırıldığında, TSFM'ler genellikle daha küçük ve daha odaklıdır . Şiir yazmaya çalışmazlar; mevsimsellik ve trendlerle tutarlılığı korumaya çalışırlar. Geleneksel enterpolasyon sadece noktaları birleştirirken, TSFM tabanlı atama, diğer çeşitli veri kümelerinden öğrenilen kalıplardan yararlanarak eksik veri boşluklarını doldurabilir.
Katı istatistiksel çerçevelerden esnek, önceden eğitilmiş yapay zekaya geçiş, zamansal verileri ele alma biçimimizde büyük bir değişimi temsil ediyor. Klasik ayrıştırmayı transformatör mimarilerinin ham gücüyle birleştirerek , artık kentsel yoğunluktan iklim döngülerine kadar her şeyi eskisinden çok daha yüksek hassasiyetle ve daha az manuel çabayla ele alabiliyoruz.
