Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Copiloto de tiempo

Created by
  • Haebom

Autor

Azul Garza, René y Rosillo

Describir

TimeCopilot es el primer marco de predicción de agentes de código abierto que combina múltiples modelos basados ​​en series temporales (TSFM) y modelos de lenguaje a gran escala (LLM) mediante una única API unificada. TimeCopilot automatiza el análisis de características, la selección de modelos, la validación cruzada y la generación de pronósticos, proporciona explicaciones en lenguaje natural y admite preguntas directas sobre el futuro. Es compatible con modelos comerciales y de código abierto, y es un marco independiente de LLM que admite conjuntos de diversas series de pronóstico. Los resultados de la prueba comparativa GIFT-Eval a gran escala demuestran que TimeCopilot alcanza un rendimiento de pronóstico probabilístico de vanguardia a bajo costo. Proporciona una base práctica para sistemas de predicción de agentes reproducibles, explicables y accesibles.

Takeaways, Limitations

Takeaways:
Presentamos el primer marco de predicción de agentes de código abierto que integra múltiples TSFM y LLM.
Mejore la eficiencia mediante la automatización predictiva de tuberías.
Mayor usabilidad con explicaciones en lenguaje natural y soporte para preguntas directas sobre el futuro.
Escalabilidad con LLM agnóstico y soporte para varias series predictivas.
Lograr un rendimiento de última generación en el punto de referencia GIFT-Eval.
Contribuir a la construcción de sistemas de predicción reproducibles, explicables y accesibles.
Limitations:
Limitations no se menciona explícitamente en el documento. Podrían requerirse pruebas comparativas adicionales y evaluaciones de rendimiento en diversos conjuntos de datos. Podría ser necesario un análisis más profundo para determinar la dependencia de LLM o TSFM específicos o para evaluar una posible degradación del rendimiento.
👍