Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

TimeCopilot

Created by
  • Haebom

Auteur

Azul Garza, René et Rosillo

Contour

TimeCopilot est le premier framework open source de prédiction d'agents combinant plusieurs modèles basés sur des séries temporelles (TSFM) et des modèles linguistiques à grande échelle (LLM) via une API unique et unifiée. TimeCopilot automatise l'analyse des caractéristiques, la sélection des modèles, la validation croisée et la génération de prévisions, fournit des explications en langage naturel et prend en charge les questions directes sur l'avenir. Compatible avec les modèles commerciaux et open source, il s'agit d'un framework indépendant des LLM, prenant en charge des ensembles de diverses séries de prévisions. Les résultats du benchmark GIFT-Eval à grande échelle démontrent que TimeCopilot atteint des performances de prévision probabiliste de pointe à faible coût. Il fournit une base pratique pour des systèmes de prédiction d'agents reproductibles, explicables et accessibles.

Takeaways, Limitations

Takeaways:
Nous présentons le premier framework de prédiction d'agent open source qui intègre plusieurs TSFM et LLM.
Améliorez l’efficacité grâce à l’automatisation prédictive des pipelines.
Facilité d'utilisation accrue grâce à des explications en langage naturel et à la prise en charge de questions directes sur l'avenir.
ÉVolutivité avec LLM agnostique et prise en charge de diverses séries prédictives.
Atteindre des performances de pointe sur le benchmark GIFT-Eval.
Contribuer à la construction de systèmes de prédiction reproductibles, explicables et accessibles.
Limitations:
Limitations n'est pas explicitement mentionné dans le document. Des tests d'évaluation comparative et des évaluations de performance supplémentaires sur divers ensembles de données pourraient être nécessaires. Une analyse plus approfondie pourrait être nécessaire pour déterminer la dépendance à des LLM ou des TSFM spécifiques, ou pour évaluer une éventuelle dégradation des performances.
👍