Данные временных рядов-измерения, собранные через регулярные промежутки времени, такие как цены на акции или потоки трафика,-стали ключевым фактором интеллектуальных систем принятия решений в разных отраслях. От медицинского мониторинга до контроля финансового риска, выявление закономерности в этих данных имеет важное значение для многих важных операций.
В то же время создание данных временных рядов или данныхинетез, набирает обороты, поскольку организации сталкиваются со дефицитом реальной защиты конфиденциальности и необходимостью проверить различные сценарии, не подвергая себя риску. Синтетические данные, сгенерированные AI, имитируют реалистичные закономерности в безрисковой среде. Это позволяет исследователям изучать гипотетические сценарии и обучать модели для принятия решений в контекстах с высокими ставками.
И все же многие из этих моделей не соответствуют тому, что нужно. Чтобы быть по-настоящему практичным, генератор данных временных рядов должен адаптироваться в различных отраслях и моделях данных, предлагает точный контроль над тенденциями и волатильностью и создавать данные, которые являются реалистичными и достаточно надежными для поддержки точного моделирования и анализа.
Microsoft Research Asia разработана Timecraft (открывается в новой вкладке) Чтобы удовлетворить эту потребность. Эта структура с открытым исходным кодом создает синтетические данные временных рядов, которые можно использовать в разных отраслях и масштабированы для коммерческих приложений. Пользователи управляют генерацией данных с помощью простых письменных команд, и система может адаптироваться к различным потребностям бизнеса, хотят ли компании анализировать существующие шаблоны или создавать данные для конкретных целей.
Три способа направления поколения
Пользовательский интерфейс Timecraft создан для гибкости. Пользователи могут направлять генерацию даты с помощью трех различных методов:
- Несколько выстрелов адаптации: Пользователи могут загрузить небольшой набор немеченых образцов из целевого домена. Timecraft изучает структурные особенности из этих образцов и генерирует высококачественные данные, не требуется переподготовка или маркировки.
- Контроль естественного языка: Пользователи могут описать свои желаемые временные ряды на простом языке, такие как «стабильный на раннем этапе, за которым следуют острые колебания». Timecraft интерпретирует подсказку и соответственно создает данные.
- Обратная связь модели задачи: Пользователи могут интегрировать свои модели, такие как предиктор заболевания или детектор рыночных тенденций, – в процессе создания данных. Timecraft Динамически корректирует выход на основе обратной связи модели, оптимизируя данные для производительности.
Эти методы могут использоваться независимо или вместе, позволяя пользователям генерировать данные, которые соответствуют конкретным целям, сценариям или оперативным потребностям.
Рисунок 1. Обзор архитектуры Timecraft
Одна модель, многие отрасли отрасли
Timecraft работает в многократных отраслях, где каждый тип данных временных рядов следует за различными закономерностями, с единым подходом, построенным вокруг семантических прототипов. Это общие представления структур временных рядов служат универсальным словарем.
Когда пользователи приводят несколько примеров последовательностей временных рядов из своей конкретной отрасли, модуль назначения прототипа (PAM) отображает их в пространство прототипа, вычисляя оптимальные комбинации. Этот специфичный для отрасли ввода направляет модель для создания структурно выровненных данных, никаких меток или переподготовки.
Результатом является система, которая может быстро адаптироваться к новым сценариям в таких областях, как энергия, здравоохранение, финансы и транспорт, демонстрируя сильную структурную передачу и обобщение.
Контролируемое текстовым генерацией: одно предложение направляет модель
Во многих реальных сценариях пользователи знают, какие данные им нужны, но не имеют достаточного достаточного количества соответствующих примеров. Типичная просьба может быть: «Я хочу временной ряд, который медленно поднимается в течение нескольких дней, падает примерно в 10 -й день, а затем колеблется». Эти типы потребностей часто возникают в таких областях, как здравоохранение и финансы, где системы проектирования и тестирования с реалистичными данными имеют важное значение, но доступ к данным ограничен.
Timecraft позволяет генерировать этот вид индивидуальных данных с использованием простого языка. Вместо того, чтобы полагаться на специализированные инструменты или существующие наборы данных, пользователи могут просто описать шаблон, который они ищут, и система создает данные, которые подходят.
Это происходит с использованием совместного обучения процесса с участием нескольких агентов искусственного интеллекта. Он собирает фразы из реальных отраслевых отчетов, заполняет подробную информацию, используя фактическую статистику данных и уточняет формулировку, пока описания не совпадают с данными как четко, так и точно.
Когда пользователь подает описание, TimeCraft переводит его в руководство для своей генеративной модели, позволяя прямой ввод, даже от пользователей без технической экспертизы. Это делает инструмент особенно полезным в ситуациях, когда данные ограничены или постоянно меняются. Соединяя намерение пользователя с возможностями модели, TimeCraft делает пользовательскую генерацию данных так же простым, как и написание предложения. Этот процесс показан на рисунке 2.
Рис. 2.
Обращение с задачей: оптимизирован для реального воздействия
Большинство моделей поколения сосредоточены на производстве реалистичных данных. Timecraft идет еще на шаг, генерируя данные, которые повышают производительность приложений по течению, – выявляет ли он тенденции заболевания или моделирует поведение на рынке.
Это возможно благодаря структуре генерации с точки зрения задачи Timecraft. Пользователи могут интегрировать свои существующие модели непосредственно в процесс создания данных. Затем система использует обратную связь от этих моделей, чтобы направлять направление генерации данных в режиме реального времени, поэтому выход не просто реалистичен, это полезно.
В основе этого метода лежит метод, называемый влияние на счеткоторый оценивает, как каждая часть сгенерированных данных влияет на производительность модели. Timecraft использует эти оценки для руководства процессом генерации, помогая системе создать данные с наибольшим потенциалом для улучшения результатов. Этот процесс показан на рисунке 3.
Рисунок 3. Влияние процесса оценки в рамках TimeCraft
Этот подход особенно полезен в тех случаях, когда определенные закономерности редки или критически важны. Например, в медицинской диагностике Timecraft может сосредоточиться на создании небольшого набора паттернов, которые осмысленно повышают точность прогнозирования.
Сдвинув цель с моделирования данных к созданию данных, которые активно улучшают результаты, Timecraft превращает синтетические данные в стратегический инструмент.
Построенный для реального использования, теперь открытый исходный код
Timecraft был построен для реальных приложений. Он принимает различные типы ввода, адаптируется к сложным вариантам использования и улучшается с течением времени, используя обратную связь от задач, которые он поддерживает. Исследователи из Microsoft Research Asia предполагают, что это является комплексным решением для отраслей, где данные ограничены, дорогие для сбора или чувствительности к обмену – создание генерации данных более целенаправленными, полезными и масштабируемыми.
Сейчас Открытый исходный код (открывается в новой вкладке)TimeCraft доступен для разработчиков, исследователей и деловых партнеров по всему миру для изучения, тестирования и развития.
Кросс-домен обобщение
Управляемость
Адаптируемость задачи
Общие методы
Финансовые приложения
Открывается в новой вкладке
#Timecraft #универсальная #основа #для #поколения #временных #рядов
Читайте также
