Birla AI Labs Lance le Modèle de Prévision Yug-1
Birla AI Labs a publié Yug-1, son premier modèle de base pour les séries temporelles, selon Analytics India Magazine. Le rapport ne précise pas la date exacte de la publication.
La fiche technique du laboratoire décrit Yug comme un modèle de prévision probabiliste avec 271,8 millions de paramètres. Selon cette documentation, un point de contrôle peut générer des prévisions pour une série qu'il n'a pas rencontrée auparavant, sans formation pour la tâche spécifique ni ajustement pour chaque série. La fiche décrit cette capacité comme une prévision zéro-shot.
Les observations historiques et un horizon de prévision fournissent les entrées, indique la documentation. Plutôt que de produire une seule valeur de prévision, Yug génère une distribution représentée par des quantiles. Les quantiles listés vont de 0,1 à 0,9, tandis que la longueur maximale du contexte est de 2 048.
Selon la fiche technique, Yug prend en charge la prévision univariée ainsi que les prévisions qui intègrent des covariables. Ces covariables sont des variables supplémentaires fournies comme contexte pour la prévision.
Pour l'entraînement, le laboratoire liste des données synthétiques propriétaires ainsi que des portions de deux autres sources : Chronos Datasets et les données de pré-entraînement GIFT-Eval de Salesforce. Séparément, la fiche technique enregistre les scores d'évaluation de Yug sur GIFT-Eval à 0,529 pour le CRPS et 0,744 pour le MASE.
Le document de recherche décrivant GIFT-Eval place la portée du benchmark à environ 144 000 séries temporelles contenant 177 millions de points de données, tirées de 23 ensembles de données. Sa couverture s'étend sur sept domaines et 10 fréquences d'échantillonnage. Selon le document, le benchmark inclut à la fois des tâches univariées et multivariées, avec des horizons de prévision allant de court à long.
* Cet article est basé sur des informations publiquement disponibles au moment de la rédaction.