前言
在深入剖析了近期一系列关于时间序列大模型研究的成果后,我们不难发现,该领域正以前所未有的速度蓬勃发展,其广泛的影响力已渗透至多个关键领域与应用场景,展现出巨大的变革潜力。
随着技术的持续迭代与革新,我们有理由相信,未来将有更多创新策略与应用模式涌现。然而,在当前阶段,有三大核心方向尤为值得关注与深耕:
基础模型架构:科研人员正致力于构建时间序列预测的基础模型框架,这些模型旨在通过跨数据集预训练,实现卓越的泛化能力,为多样化的时间序列分析任务奠定坚实基础。
模型可解释性的提升:为了增强用户对于时间序列预测结果的直观理解,研究者们正探索通过文本形式提供详尽的解释性输出,从而揭示数据背后的模式与趋势,促进决策制定的科学性与透明度。
特定领域的深度应用:时间序列大模型正逐步融入金融、医疗、交通等特定行业,针对行业痛点提供定制化解决方案,不仅解决了实际问题,还确保了预测结果的可解释性与实用性。
如下列举近期时间序列大模型研究的成果:
UniTS:构建统一时间序列模型的里程碑
面对时间序列分析领域的独特挑战,如数据多样性、任务差异性及特定需求等,UniTS应运而生。作为一款统一的时间序列模型,UniTS凭借其创新的网络架构,融合了序列与变量注意力机制及动态线性算子,实现了对分类、预测、插补及异常检测等多元任务的全面支持。
在横跨38个领域的数据集测试中,UniTS不仅超越了特定任务模型,更在零样本、少量样本学习及提示学习能力上展现出非凡实力,为时间序列分析树立了新的标杆。
论文标题:UniTS: Building a Unified Time Series Model
TIME-LLM:大型语言模型在时间序列预测中的重塑
TIME-LLM的提出,标志着大型语言模型(LLMs)在时间序列预测领域的崭新应用。通过创新的重新编程框架,TIME-LLM成功地将时间序列数据模态与自然语言模态对齐,利用LLMs强大的模式识别与推理能力进行预测。
结合Prompt-as-Prefix(PaP)策略,TIME-LLM在少量样本及零样本学习场景下同样表现出色,其性能超越了众多先进的专业预测模型,为时间序列预测开辟了全新的路径。
论文标题:TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS(ICLR2024)
Chronos:解锁时间序列的“语言”
Chronos,作为一款预训练概率时间序列模型框架,通过创新的标记化方法与Transformer架构的结合,实现了对时间序列数据的深度学习与理解。
在广泛的基准测试中,Chronos不仅在训练数据集上展现出卓越性能,更在新数据集上实现了令人瞩目的零样本预测能力,证明了其强大的泛化潜力。Chronos的成功,为时间序列预测领域预训练模型的广泛应用奠定了坚实基础。论文标题:Chronos: Learning the Language of Time Series
Lag-Llama:迈向概率时间序列预测的基础模型
Lag-Llama的推出,标志着时间序列预测领域基础模型开发的重要进展。作为一款基于解码器Transformer架构的通用单变量概率时间序列预测模型,Lag-Llama通过预训练大量跨领域时间序列数据,实现了强大的零样本泛化。论文标题:Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting
在跨领域下游数据集上的测试中,Lag-Llama不仅展现了与现有深度学习方法相媲美的性能,更在微调后实现了显著超越,为时间序列预测领域的基础模型研究树立了新的里程碑。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。