«`html
Анализ временных рядов для улучшения прогнозирования и обнаружения аномалий
Анализ временных рядов имеет важное значение в различных областях, включая планирование спроса, обнаружение аномалий и прогноз погоды, но сталкивается с проблемами высокой размерности, нелинейности и изменений распределения. Традиционные методы полагаются на конкретные архитектуры нейронных сетей для решения задач, однако есть потенциал для использования предварительно обученных языковых моделей малого масштаба (SLM) для универсальных приложений в области временных рядов. Однако SLM, в первую очередь обученные на тексте, могут потребовать помощи с непрерывными временными рядами и паттернами, такими как сезонность. Недавние подходы, такие как Retrieval-Augmented Generation (RAG), усиливают модели внешними знаниями, открывая новые возможности для улучшения анализа временных рядов и выполнения сложных задач с ориентацией на цели.
Разработка улучшенной агентной иерархической мультиагентной модели для анализа временных рядов
Исследователи из ИИТ Дхарвад и TCS Research предлагают агентный RAG-фреймворк для анализа временных рядов с использованием иерархической мультиагентной архитектуры. Мастер-агент оркестрирует специализированные суб-агенты, каждый из которых настроен на SLM для выполнения конкретных задач в области временных рядов, таких как прогнозирование или обнаружение аномалий. Эти суб-агенты извлекают соответствующие подсказки из специализированных хранилищ знаний, или пулов подсказок, где хранятся исторические паттерны, что позволяет более точно предсказывать новые данные. Такой модульный подход повышает гибкость и точность, превосходя традиционные методы в различных задачах временных рядов за счет решения сложных проблем.
Предложенный метод внедряет фреймворк для анализа временных рядов с использованием иерархической мультиагентной архитектуры, где мастер-агент координирует специализированные суб-агенты, сфокусированные на задачах, таких как прогнозирование, обнаружение аномалий и восстановление данных. Эти суб-агенты используют предварительно обученные языковые модели и динамический механизм подсказок для извлечения соответствующих подсказок из внутренней базы знаний. Этот подход позволяет модели адаптироваться к различным тенденциям в сложных временных рядах, имея доступ к историческим паттернам, хранящимся в виде ключ-значение в общем пуле подсказок. Динамический механизм подсказок преодолевает ограничения традиционных методов с фиксированным окном, позволяя модели адаптироваться к различным тенденциям и паттернам, повышая точность прогнозов в различных задачах временных рядов.
Кроме того, фреймворк основан на недавних достижениях в области SLM посредством включения двухуровневого механизма внимания для обработки долгосрочных зависимостей в данных временных рядов. Метод улучшает обработку длинных последовательностей без дополнительной настройки. Также используются методы настройки инструкций и параметрической эффективной настройки (PEFT) для улучшения производительности SLM в конкретных задачах временных рядов, включая расширение длины контекста SLM до 32K токенов, что позволяет им улавливать сложные пространственно-временные зависимости. Кроме того, фреймворк использует оптимизацию прямых предпочтений (DPO) для настройки SLM, обеспечивая, что модели отдают предпочтение более точным задачно-специфическим результатам, в конечном итоге повышая эффективность анализа временных рядов.
Предложенный фреймворк Agentic-RAG был оценен в рамках задач прогнозирования, классификации, обнаружения аномалий и восстановления данных. Для этого использовались различные варианты, такие как SelfExtend-Gemma-2B-instruct, Gemma-7B-instruct и Llama 3-8B-instruct. Для оценки использовались такие метрики, как MAE, RMSE, точность, precision и F1-скор. Фреймворк последовательно превосходил базовые модели в задачах прогнозирования, особенно на наборах данных METR-LA и PEMS-BAY, демонстрируя превосходную предсказательную точность и устойчивость по всем метрикам.
Заключение
Фреймворк Agentic RAG, предложенный для анализа временных рядов, решает такие проблемы, как изменение распределения и фиксированная длина подпоследовательностей. Он использует иерархическую мультиагентную архитектуру с специализированными суб-агентами для различных задач. Эти суб-агенты используют пулы подсказок в качестве базы знаний, извлекая связанную информацию для улучшения прогнозов по новым данным. Модульное проектирование позволяет фреймворку превзойти традиционные методы в обработке сложных задач временных рядов. Использование SLM внутри этого фреймворка обеспечивает гибкость и достижение передовой производительности на основных бенчмарках временных рядов.
Прочитайте статью. Весь кредит за этот исследовательский проект принадлежит ученым, работавшим над ним. Также не забудьте подписаться на нас в Twitter, присоединиться к нашему Telegram-каналу и группе LinkedIn. Если вам понравилась наша работа, вам понравится и наша рассылка.
Не забудьте присоединиться к нашему сообществу в Reddit с 50 тысячами подписчиков.
Вот рекомендуемый вебинар от нашего спонсора: «Построение производительных приложений ИИ с использованием NVIDIA NIMs и Haystack».
Статья опубликована на MarkTechPost.
Использование искусственного интеллекта для вашего бизнеса
Если вы хотите развивать свою компанию, используя искусственный интеллект, и оставаться в числе лидеров, то Agentic-RAG: A Hierarchical Multi-Agent Framework for Enhanced Time Series Analysis — ваш выбор.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь, какие ключевые показатели эффективности (KPI) вы хотите улучшить с помощью ИИ.
Подберите подходящее решение. Сейчас очень много вариантов ИИ. Внедряйте ИИ-решения постепенно: начните с малого проекта, анализируйте результаты и KPI. На основе полученных данных и опыта расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на нашем Телеграм-канале.
Следите за новостями об ИИ в нашем Телеграм-канале.
Попробуйте AI Sales Bot. Это AI-ассистент для продаж, который помогает отвечать на вопросы клиентов, генерировать контент и снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить процесс продаж в вашей компании с решением от SAILE.RU — будущее уже здесь!
«`
