Laura Cerro

En los últimos meses, hemos presenciado cómo la Inteligencia Artificial generativa se ha integrado de manera notable en nuestra vida cotidiana. Este fenómeno ha sido impulsado por la introducción de herramientas innovadoras como ChatGPT para la generación de texto, Dall-E para la creación de imágenes o Copilot para la generación de código. Recientemente se ha avanzado un paso más al aplicar el conocimiento de la Inteligencia Artificial generativa al ámbito de las series temporales. Dada la arraigada necesidad humana de anticiparse a posibles eventos futuros, desde comprender ciclos económicos en el precio de las acciones hasta predecir patrones de demanda en tiendas minoristas u optimizar el consumo eléctrico en un edificio, se presenta la oportunidad de aplicar la inteligencia artificial generativa en el ámbito de las series temporales. La Revolución de la Inteligencia Artificial Generativa en Series Temporales puede traer grandes beneficios en diversos dominios. Evolución de las técnicas de análisis y predicción de las Series Temporales Históricamente, los métodos estadísticos tradicionales han sido el enfoque dominante para el análisis y la predicción de series temporales. En la última década, los métodos de machine learning han ganado popularidad, demostrando resultados prometedores. Y en los últimos años, la introducción de los métodos de Deep learning están generando controversia, sin embargo, los estudios recientes están arrojando avances alentadores. Actualmente se está trabajando en el campo de la inteligencia artificial generativa basada en series temporales, investigando los beneficios de los modelos fundacionales. Estos desarrollos podrían potencialmente inaugurar un nuevo capítulo en este ámbito, fomentando una comprensión más profunda de los datos temporales, mejorando la eficiencia del pronóstico y la extrapolación a diversos dominios. Recientemente se ha implementado el primer modelo fundacional TimeGPT-1 capaz de predecir series temporales en una amplia variedad de dominios y aplicaciones sin necesidad de entrenamiento adicional. Historia de los métodos analíticos usados en Series Temporales. ¿Pero qué puede ofrecernos la IA Generativa que los métodos tradicionales no consiguen proporcionar en el mundo de las series temporales? La IA Generativa se basa en la implementación de modelos preentrenados con un amplio conjunto de series temporales procedentes de diversos dominios; como finanzas, tráfico web, iot, clima, demanda, entre otros. Estos modelos tienen la capacidad de generar predicciones precisas para conjuntos de datos no observados durante el entrenamiento. Estos son algunos de los beneficios de la IA Generativa en Series Temporales: Modelado de complejidades no lineales: La IA Generativa puede capturar patrones no lineales y complejos en los datos temporales, superando las limitaciones de los enfoques tradicionales. Generación de datos realistas: Puede generar datos temporales realistas y de alta calidad, lo que facilita la creación de conjuntos de entrenamiento más diversos y representativos. Extrapolación a nuevos dominios: La capacidad de extrapolación de la IA Generativa permite realizar predicciones precisas incluso en dominios no vistos durante el entrenamiento, ofreciendo flexibilidad en la aplicación a diferentes contextos. Transferencia de conocimiento: Al utilizar modelos preentrenados en conjuntos masivos de datos temporales, la IA Generativa puede transferir conocimientos entre dominios, mejorando la capacidad de generalización a nuevos conjuntos de datos. Manejo de datos de gran escala: Al aprovechar modelos fundamentales, la IA Generativa puede manejar grandes volúmenes de datos temporales de manera eficiente, lo que causa un rendimiento mejorado en escenarios con conjuntos de datos extensos. Adaptabilidad a cambios temporales: Los modelos generativos pueden adaptarse dinámicamente a cambios en las tendencias temporales, lo que los hace más resistentes y flexibles ante variaciones en los datos a lo largo del tiempo. Mejora en la precisión y eficiencia de los pronósticos: La investigación realizada por Azul Garza y Max Mergenthaler-Canseco compara las métricas más populares en la predicción de series temporales (RMAE y RMSE) con varios métodos, incluyendo estadística tradicional, machine learning, deep learning y el modelo fundacional TimeGPT. Los resultados indican un rendimiento óptimo para una granularidad alta (mensual y semanal) en el caso del modelo fundacional. ✅ Para obtener más detalles, es recomendable leer el paper original: TimeGPT-1 de Azul Garza y Max Mergenthaler-Canseco. ¿Pero que inconvenientes presenta la IA Generativa sobre los métodos tradicionales en Series Temporales? A pesar de las notables ventajas, existen ciertos inconvenientes como: Se requiere una inversión significativa en recursos computacionales. Disminuye la transparencia puesto que este tipo de modelos son menos interpretables y dificultan su explicación a alto nivel. Existe riesgo de overfitting. Mayor tiempo computacional de desarrollo e implementación. Es necesario contar con datos masivos para lograr un rendimiento óptimo. No cabe duda de que es un campo por explorar y que próximamente tendremos nuevas noticias en este área. La generación de series temporales está aquí para quedarse, pero aún hay un camino por descubrir. Tendremos paciencia. AI of Things Visualización de datos: elección del gráfico adecuado 13 de diciembre de 2023