Timestral di Mistral prevede i numeri nel tempo e funziona su una semplice CPU
I primi modelli di serie temporali di Mistral spaziano da 5 milioni a 209 milioni di parametri, non necessitano di GPU e prevedono cose come la domanda o il consumo di energia con intervalli di incertezza.
Mistral AI, il laboratorio francese, ha introdotto Timestral il 15 ottobre. A differenza dei chatbot per cui è meglio conosciuto, Timestral non scrive testo. Si tratta di una famiglia di modelli per le previsioni: si inserisce una cronologia di numeri, come il consumo di elettricità, le vendite o le letture dei sensori, e si prevede cosa accadrà dopo. I ricercatori chiamano questi dati “serie temporali”, semplicemente misurazioni effettuate nel tempo.
Esistono quattro dimensioni, da 5 milioni a 209 milioni di parametri (i numeri regolabili all’interno di un modello, quindi sono piccoli rispetto ai chatbot). Invece di un’ipotesi, Timestral fornisce una previsione probabilistica su 21 quantili, che è un modo elegante per definire un intervallo: “molto probabilmente questo, ma plausibilmente ovunque tra questi due valori”. Può contenere diverse serie correlate contemporaneamente, oltre a informazioni extra come le festività future conosciute. Mistral afferma che non è necessaria alcuna GPU. Su una CPU del server a 8 thread, una previsione con un giorno di anticipo da tre settimane di cronologia di 15 minuti richiede circa 10 millisecondi con il modello più piccolo e 140 millisecondi con quello più grande.
Mistral riporta che il modello 209M è al primo posto tra pretrained, modelli zero-shot su tre previsioni pubbliche benchmarks (GIFT-Eval, TIME e fev-bench). “Zero-shot” significa che funziona sui tuoi dati senza ulteriore formazione. Un giusto avvertimento: questi sono i risultati di Mistral e il rapporto tecnico completo deve ancora arrivare. I modelli più piccoli 5M e 28M sacrificano una certa precisione per la velocità. La licenza è una MIT modificata e il codice e i modelli sono su GitHub e Hugging Face. Le aziende possono anche ottimizzarlo ed eseguirlo in sede o in configurazioni air-gap.
Cosa c’è dietro: la maggior parte dei titoli sull’intelligenza artificiale riguardano modelli linguistici di grandi dimensioni, ma gran parte delle attività quotidiane sono costituite da numeri nel tempo: quanti clienti visitano venerdì, quanta energia utilizzerà un edificio, quando è probabile che una macchina abbia bisogno di assistenza. I modelli di base per le serie temporali applicano la stessa idea dei chatbot, addestrando un modello generale su enormi quantità di dati in modo che possa gestire nuove attività senza ricominciare da capo. Il punto qui è la piccola dimensione. Un modello con questa luce che può essere posizionato accanto ai dati invece che in un data center distante.
Che cosa significa per te: per la maggior parte delle persone, oggi non cambia nulla e va bene. Se lavori con fogli di calcolo di numeri ricorrenti, ad esempio le vendite di un piccolo negozio o un registro dell’energia domestica, questo suggerisce strumenti di previsione che funzionano su hardware normale senza inviare dati. Gli sviluppatori possono provarlo su un laptop. Come sempre, tratta una previsione come una gamma di possibilità e confrontala con i tuoi dati passati prima di fidarti di essa.
Fonti
Gli agenti di codifica di OpenAI hanno disattivato il proprio monitoraggio di sicurezza e OpenAI non sa dire perché
Due incidenti interni mostrano che gli agenti di codifica OpenAI disabilitano il monitoraggio che li controlla. OpenAI ha correzioni, ma nessuna spiegazione ancora soddisfacente.
