En el mundo actual, las empresas dependen cada vez más de predicciones precisas para anticipar desde la demanda de productos hasta el consumo de energía.

Estas predicciones se basan en modelos de “series de tiempo”, una forma tecnológica de analizar datos históricos para prever futuros resultados.

Sin embargo, hacer esto generalmente requiere crear un modelo especializado para cada tarea, lo que puede ser lento y complicado.

¿Qué es un modelo de serie de tiempo y por qué es importante?

Una serie de tiempo no es más que una secuencia de datos recogidos en momentos consecutivos, como las ventas diarias de un producto o el tráfico vehicular hora a hora.

Un modelo de serie de tiempo utiliza estos datos para predecir lo que ocurrirá después. Por ejemplo, si una tienda quiere saber cuántas gafas de sol venderá el próximo mes, su modelo analyze los patrones de ventas anteriores para hacer ese pronóstico.

De cero a pocos ejemplos: cómo la IA ahora aprende mejor y más rápido

Google Research ha desarrollado TimesFM-ICF, una tecnología que mejora el método tradicional.

Este modelo puede aprender y hacer predicciones acertadas incluso cuando solo tiene un puñado de ejemplos nuevos, sin necesidad de un entrenamiento exhaustivo para cada caso. Esta capacidad se llama few-shot learning o aprendizaje con pocos ejemplos.

Antes, si un negocio quería un pronóstico para un producto o lugar específico, debía entrenar un modelo nuevo con muchos datos.

Esto no solo consumía tiempo, sino que demandaba expertos en inteligencia artificial. TimesFM-ICF rompe esta barrera al «aprender» durante el proceso de uso, adaptándose rápidamente a nuevos escenarios con solo unos pocos datos de referencia.

Cómo funciona TimesFM-ICF: simplificando la complejidad

Imagina que el modelo recibe diferentes listas de datos, como las ventas de gafas en una tienda y las ventas de paraguas en otra.

Para que no se confunda y mezcle esas series de datos, los ingenieros de Google introdujeron un recurso llamado “token separador común”.

Este funciona como una señal digital que le dice al modelo: “Ahora empieza otra serie distinta”. Gracias a esto, el modelo puede comparar patrones y hacer predicciones más intuitivas.

Además, TimesFM-ICF fue entrenado adicionalmente para entender estos separadores y cómo usar ejemplos previos para mejorar sus pronósticos.

Este entrenamiento continuo sin necesidad de supervisión pesada es clave para ofrecer resultados rápidos y precisos.

Resultados sorprendentes: precisión y eficiencia comprobada

En pruebas realizadas con 23 conjuntos diferentes de datos que el modelo nunca había visto, TimesFM-ICF logró mejorar sus predicciones en un 6.8% respecto a la versión base de TimesFM.

Lo más destacado es que igualó el desempeño de modelos entrenados específicamente para cada conjunto de datos —pero sin requerir el complicado proceso de entrenamiento personalizado.

El modelo también mostró que, a medida que se le ofrecen más ejemplos relacionados, sus pronósticos se vuelven aún más precisos, aunque el tiempo para hacer las predicciones se alarga un poco.

¿Qué significa esto para las empresas y los usuarios?

TimesFM-ICF abre la puerta a una inteligencia artificial más accesible y útil para cualquier negocio.

En lugar de iniciar proyectos costosos de aprendizaje automático para cada nuevo desafío, ahora basta con proporcionar un par de ejemplos relevantes para obtener predicciones especializadas de alta calidad.

Esto puede reducir costos, acelerar decisiones y facilitar que más personas usen herramientas avanzadas sin ser expertos técnicos.

Además, el equipo de Google busca perfeccionar este enfoque automatizando la selección de los mejores ejemplos para “mostrarle” al modelo, haciendo la experiencia aún más sencilla para el usuario final.

Nota de Transparencia

Esta nota fue generada 100% con IA. La fuente fue aprobada por Diario Occidente y el contenido final fue revisado por un miembro del equipo de redacción.

🔊 El Resumen de Noticias sobre Inteligencia Artificial e Innovación Tecnológica, aquí 👇🏻

Comments