پیش‌بینی دسته‌ای با مدل‌های سری زمانی IBM Granite؛ کاهش پیچیدگی و بهبود دقت
ابزار جدید Granite Timeseries Ensemble از شرکت IBM امکان ترکیب چهار مدل پیش‌ست‌شده سری زمانی را بدون نیاز به آموزش مجدد فراهم می‌کند. این رویکرد به توسعه‌دهندگان اجازه می‌دهد تا پیش‌بینی‌های دقیق‌تر و پایدارتری در حوزه‌های گوناگون به دست آورند.
مدل‌های پیش‌آموزش‌دیده سری زمانی ابزارهای قدرتمندی برای پیش‌بینی هستند، اما انتخاب مدل مناسب برای داده‌های مختلف همواره چالشی برای توسعه‌دهندگان بوده است. شرکت IBM با معرفی Granite Timeseries Ensemble تلاش کرده است این انتخاب را ساده‌تر کند. این ابزار یک رابط یکپارچه فراهم می‌کند که چهار معماری مختلف و مکمل از مدل‌های Granite را بدون نیاز به تنظیم وزن‌ها یا آموزش مجدد ترکیب می‌کند.
این رویکرد مشابه پیش‌بینی‌های آب‌وهوایی است که در آن‌ها چندین مدل برای رسیدن به پیش‌بینی جامع تری تلفیق می‌شوند. ابزار جدید دو روش اصلی برای ترکیب ارائه می‌دهد: روش اول، پیش‌بینی احتمالی با وزن برابر است که نیاز به تنظیم هیچ پارامتری ندارد و به عنوان پیش‌فرض عمل می‌کند. روش دوم، انحراف معیار بین‌چارکی تطبیقی است که به بازه‌های باریک‌تر وزن بیشتری می‌دهد و عملکرد آن در داده‌های مختلف قابل مقایسه است.
ارزیابی‌های انجام‌شده روی مجموعه‌داده‌های مختلف نشان می‌دهد که مدل‌های ترکیبی Granite از نظر دقت پیش‌بینی نقطه‌ای عملکرد بهتری نسبت به اعضای فردی خود ارائه می‌دهند. این رویکرد به کاربران امکان می‌دهد بدون نیاز به آگاهی قبلی از اینکه کدام معماری برای داده‌هایشان مناسب‌تر است، نتایج پایدار و قابل اعتمادی دریافت کنند. توسعه‌دهندگان می‌توانند این کتابخانه را به راحتی از طریق هاگینگ‌فیس نصب کرده و در پشته‌های تحلیلی خود به کار گیرند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.