IBM lanza un conjunto de cuatro modelos de IA que predicen series temporales sin necesidad de entrenarlos con tus datos
Granite Timeseries Ensemble combina cuatro arquitecturas distintas para predecir datos que cambian con el tiempo, eliminando la necesidad de elegir qué modelo usar en cada caso.
IBM Research publicó Granite Timeseries Ensemble, un sistema que combina cuatro modelos de IA con arquitecturas distintas (transformers, espacio de estados y redes MLP) para predecir series temporales sin entrenarlos con tus datos. El método por defecto, Probabilistic Ensemble, asigna igual peso a cada modelo y obtuvo mejor precisión agregada que los cuatro miembros individuales en el benchmark GIFT-Eval.
IBM Research ha publicado Granite Timeseries Ensemble, un sistema que combina cuatro modelos de inteligencia artificial preentrenados para predecir series temporales (datos que evolucionan con el tiempo, como la demanda de un producto, el consumo eléctrico o la temperatura). A diferencia de los modelos individuales, que funcionan mejor o peor según el tipo de datos que analicen, este conjunto ofrece predicciones robustas sin necesidad de entrenarlos específicamente con tu conjunto de datos ni de adivinar cuál de ellos es el más adecuado para tu caso, según informó IBM en el blog de Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados).
El sistema utiliza cuatro modelos Granite con arquitecturas distintas: PatchTST-FM-r1 y r2 (basados en transformers, la misma tecnología que usan ChatGPT o GPT-4, pero adaptada a datos temporales mediante parches), FlowState-r1.1 (un modelo de espacio de estados, una técnica matemática que representa cómo evoluciona un sistema a lo largo del tiempo) y TTM-r3 (basado en Tiny Time Mixers, una red neuronal que mezcla información de distintos momentos temporales usando capas de neuronas simples). Cada arquitectura captura tendencias, estacionalidad y variaciones locales de forma diferente, por lo que sus errores no suelen coincidir. Al combinarlos, el sistema reduce el riesgo de elegir el modelo equivocado para un tipo de datos concreto.
Granite Timeseries Ensemble ofrece dos formas de combinar las predicciones. La primera y recomendada por defecto, llamada Probabilistic Ensemble, da igual peso a cada modelo: combina sus predicciones en el espacio de probabilidades y extrae la mediana y los cuantiles (valores que dividen las predicciones en intervalos, como el percentil 10 o 90, útiles para expresar rangos de incertidumbre). No necesita ajustar pesos ni entrenar con datos históricos. La segunda opción, IQR Ensemble, asigna mayor influencia a los modelos que predicen intervalos más estrechos, aproximando el rango intercuartílico (la diferencia entre el percentil 25 y 75) de cada miembro; los pesos varían según la muestra y el horizonte temporal, pero tampoco requiere entrenamiento adicional.
Los investigadores evaluaron ambos métodos en 97 configuraciones del benchmark GIFT-Eval, un conjunto de datos de referencia para pronósticos de series temporales. El Probabilistic Ensemble obtuvo un MASE (una métrica de error de punto que compara la predicción con un método de referencia estacional) de 0,683, superando a los cuatro modelos individuales y situándose por debajo del 0,685 de PatchTST-FM-r2, el mejor miembro aislado. En términos de CRPS (una métrica que evalúa la calidad de las predicciones probabilísticas completas, no solo un valor puntual), PatchTST-FM-r2 conservó la puntuación más baja (0,467), aunque el IQR Ensemble logró el mejor ranking promedio. El margen de mejora es pequeño, por lo que la ventaja principal del conjunto reside en su robustez: ofrece precisión comparable o superior sin necesidad de saber de antemano qué arquitectura se ajusta mejor a tus datos.
El código y los cuatro modelos están disponibles con licencias permisivas en Hugging Face. Los desarrolladores pueden instalar la biblioteca Granite TSFM, cargar el conjunto preconfigurado y ejecutar predicciones con unas pocas líneas de código, sin entrenar ni ajustar pesos. La configuración descarga los cuatro modelos en tiempo de ejecución, por lo que la primera ejecución puede tardar más. La idea de combinar modelos para reducir la incertidumbre es común en meteorología —sistemas como el North American Multi-Model Ensemble combinan varios modelos para predicciones estacionales—, y este enfoque traslada el mismo principio a series temporales generales: modelos complementarios aportan perspectivas distintas sobre lo que vendrá, y el conjunto fusiona esas perspectivas en una sola predicción más fiable.
