El pronóstico de series temporales ha ganado protagonismo como una herramienta esencial para la toma de decisiones en industria, permitiendo desde la predicción del tráfico vehicular hasta la estimación de ventas. Esta capacidad de anticipar futuros eventos con precisión es clave para que las organizaciones optimicen la asignación de sus recursos, reduzcan riesgos y tomen decisiones informadas. Sin embargo, los métodos convencionales de aprendizaje automático demandan una considerable personalización del modelo y ajustes detallados, lo que se traduce en un proceso de desarrollo largo y con un alto consumo de recursos.
Es en este contexto que surge Chronos, una vanguardista familia de modelos de series temporales que aprovecha la eficacia de las arquitecturas de modelos de lenguaje grandes (LLM) para sortear estas limitaciones. Chronos, un modelo fundamental preentrenado en extensivos y variados conjuntos de datos, posee la capacidad de generalizar sus capacidades de pronóstico a diversos dominios. Esta característica distintiva le permite sobresalir en pronósticos bajo la modalidad «zero-shot», es decir, realizar predicciones sin haber sido entrenado específicamente en el conjunto de datos en cuestión, superando a modelos especializados en la mayoría de los casos evaluados.
La innovación de Chronos parte de una semejanza clave: tanto los LLM como el pronóstico de series temporales intentan decodificar patrones secuenciales para prever eventos por venir. Esta similitud habilita el tratamiento de datos de series temporales como un lenguaje, que puede ser modelado a través de arquitecturas de transformadores. Chronos traduce los datos continuos de series temporales en un vocabulario discreto, siguiendo un proceso bifásico que escalariza los datos y los cuantifica en contenedores equidistantes.
La implementación actual de Chronos se realizará a través de Amazon SageMaker Pipeline, empleando un conjunto de datos sintético para simular un escenario de predicción de ventas. Esto facilitará predicciones precisas y eficientes empleando una cantidad mínima de datos. Los usuarios interesados podrán aprender a manejar funcionalidades que organizan el flujo de trabajo completo, desde la sintonización hasta el despliegue, optimizando así el proceso de desarrollo al aplicar Chronos a cualquier tipo de series temporales.
Para quienes deseen experimentar este proceso, será necesario un acceso a un dominio de SageMaker, con los permisos adecuados de AWS Identity and Access Management para crear y manejar recursos. SageMaker Pipelines proporcionará la infraestructura para organizar experimentos de entrenamiento y evaluación, posibilitando la ejecución simultánea de múltiples iteraciones y reduciendo tanto el tiempo necesario como los costos asociados.
Una vez que se finalice el modelo de pronóstico, este será desplegado a través de los servicios de alojamiento de SageMaker, generando un punto de acceso para predicciones en tiempo real. Esto permitirá una integración fluida con sistemas y aplicaciones, ofreciendo acceso a las capacidades predictivas del modelo mediante una interfaz HTTPS segura.
El rendimiento de Chronos ha sido evaluado en 27 conjuntos de datos que no formaron parte de su entrenamiento inicial, exhibiendo su efectividad en predicciones zero-shot frente a modelos estadísticos locales y tareas específicas. Los resultados resaltaron la capacidad de Chronos para adaptarse a situaciones no vistas previamente.
Esta innovación representa un avance significativo para las empresas de múltiples sectores, al proporcionar herramientas avanzadas de pronóstico de series temporales sin requerir amplio conocimiento en aprendizaje automático, mejorando así la eficiencia operativa y la calidad en la toma de decisiones.
