Google mejora su modelo de predicción de series temporales

Google Research ha lanzado TimesFM 2.5, una versión mejorada de su modelo de predicción de series temporales. El modelo, disponible en GitHub, se basa en una arquitectura 'decoder-only' y está diseñado para ofrecer pronósticos más precisos y eficientes. TimesFM 2.5 reduce el número de parámetros de 500 millones a 200 millones, manteniendo un rendimiento competitivo, y aumenta significativamente la longitud del contexto soportado, de 2048 a 16,000. Además, incorpora soporte para pronósticos continuos de cuantiles hasta un horizonte de 1,000 y elimina el indicador de frecuencia. La actualización también incluye una nueva API de inferencia y se están realizando mejoras adicionales, como el soporte para una versión futura de Flax (para una inferencia más rápida) y la reincorporación del soporte para covariables. El modelo está disponible a través de Hugging Face y BigQuery, aunque la versión 2.5 no es un producto oficial de Google. La instalación requiere un entorno virtual y la elección entre PyTorch o Jax como backend.