NVIDIAは事前学習した時系列表現と履歴の類似パターンを組み合わせるモデルを紹介しました。直接予測と検索を使う予測を比較できます。 直近の入力と参照する履歴を分けて設計できます。将来情報の混入、履歴の適合性、予測期間ごとの精度を確認することが焦点です。 事前学習の表現と過去のパターンを合わせる NVIDIAは10月21日、Kumo Forecastを紹介しました。以前はNV-Tesseract Forecastingと呼ばれていた時系列モデルです。MOMENT-1-largeを基盤とする約3億4,000万パラメーターのエンコーダーと、学習可能な予測部分を組み合わせます。直接の予測に加え、DARRという方式で過去の類似パターンを検索し、結果を混ぜる選択肢があります。直近の観測を入れる窓と、検索に使う別の履歴データを分ける構成です。Apache 2.0でコードと重みを案内しています。新しいデータでの追加調整を行う例も提供し、用途ごとの比較を求めています。履歴を使うかどうかを設定で選べます。 予測期間ごとの説明を付けて結果を確認 ライブラリーはpandasのDataFrameを基本にし、時刻列と数値列を扱います。履歴の検索は任意で、直接の予測と検索経路をどの程度重視するかを設定できます。基盤の表現を固定して予測部分を学習する構造で、長い予測では再帰的な拡張も使えます。予測期間ごとの説明を付ける仕組みも紹介しています。設備の時系列や保守を扱う開発者が対象です。入力できる観測数には256、512、1024、2048などの条件があり、検索に使う履歴の次元も入力と整合させる必要があります。原文は直接方式と検索方式を、同じ未使用の評価期間で比較するよう案内しています。履歴を追加しただけで精度が上がると決まるわけではありません。説明が付くことと、予測の正しさも別に確認する対象です。期間が延びた際の誤りの増え方も評価に含まれます。 履歴の選び方と予測の利用範囲を評価 実務では、検索する履歴へ将来の情報が混ざらないよう、評価時点で利用できる内容を限定することが論点です。時系列の頻度や単位が異なる場合は、同じ表へ入れる前に整える必要があります。設備の状態や運用条件が変われば、似た形の過去でも意味が違う可能性があります。直接方式を基準にし、検索を加えた場合の精度、処理時間、説明の安定性を比べる方法が考えられます。長い期間を再帰的に予測する場合は、途中の誤差が先へ影響する点も確認する対象です。利用する履歴を増やすと保管や検索の負担が変わるため、改善量と費用を合わせて測ることが重要です。結果を設備の操作へ直結させる前には、判断を確認する担当者と例外時の扱いを定める必要があります。モデル、履歴、設定を記録し、再実行できる形で比較することが導入判断の材料になります。