Amazon Chronos die Super-KI für präzise Prognosen: Die Vorhersage von Zeitreihen ist eine Kernaufgabe in vielen Bereichen wie Einzelhandel, Energie, Finanzen und Gesundheitswesen. Bisher dominierten hier klassische statistische Verfahren wie ARIMA und ETS. Doch mit der wachsenden Datenmenge und Komplexität der Probleme rücken zunehmend auch Deep-Learning-Ansätze in den Fokus.
Amazon Web Services hat nun mit Chronos ein neuartiges Framework für die Zeitreihen-Prognose mit künstlicher Intelligenz vorgestellt. Chronos basiert auf der gleichen Transformer-Architektur, die auch in modernen großen Sprachmodellen (Large Language Models, LLMs) zum Einsatz kommt.
Zeitreihen als Sprache modellieren
Aber wie lässt sich die sequenzielle Natur von Zeitreihen mit Sprachmodellen vereinbaren? Schließlich bestehen Zeitreihen aus reellen Zahlen, während Sprachmodelle mit einem festen Vokabular arbeiten.
Das Chronos-Framework löst dieses Problem durch eine einfache, aber effektive Quantisierung. Die reellen Werte der Zeitreihe werden zunächst skaliert und dann in eine feste Anzahl von diskreten Intervallen (Bins) eingeteilt. Jedem Bin wird eine eindeutige Token-ID zugeordnet. So entsteht eine Art “Sprache der Zeitreihen”.
Training auf großen und vielfältigen Datensätzen
Chronos wurde auf einer riesigen Sammlung öffentlicher Zeitreihen-Datensätze trainiert. Um die Generalisierungsfähigkeit weiter zu verbessern, wurde zusätzlich ein synthetischer Datensatz auf Basis von Gauß-Prozessen erzeugt.
Für die Entwicklung eines nützlichen universellen Zeitreihen-Prognosemodells ist die Verfügbarkeit großer Trainings-Datensätze entscheidend”, erklärt Dr. Michael Bohlke-Schneider, Senior Applied Scientist bei Amazon Web Services. “Durch das Training auf einer breiten Datenbasis lernt Chronos, verschiedenste Muster in den Daten zu erkennen.”
Leistungsstarke Prognosen ohne Anpassung
In umfangreichen Benchmarks mit 42 Datensätzen zeigte Chronos beeindruckende Ergebnisse. Auf Datensätzen, die zum Trainingskorpus gehörten, übertraf es deutlich andere Methoden. Aber auch auf völlig unbekannten Datensätzen erzielte es oft vergleichbare oder sogar bessere Ergebnisse als spezialisierte Modelle, die explizit auf diese Daten angepasst wurden.
“Mit seiner Zero-Shot-Fähigkeit kann Chronos direkt auf neue Prognoseszenarien angewendet werden, ohne dass eine aufwändige Anpassung nötig wäre”, betont Lorenzo Stella, ebenfalls Senior Applied Scientist bei AWS und Co-Autor der Studie. “Das könnte Prognose-Pipelines in Unternehmen deutlich vereinfachen.”
Neben der Genauigkeit besticht Chronos auch durch seine Effizienz. Mit 20 bis 710 Millionen Parametern sind die Modelle vergleichsweise kompakt. Das macht sie zu einer attraktiven Alternative zu rechenintensiven Ansätzen, die Milliarden von Parametern erfordern.
Ausblick
Mit seiner Kombination aus Leistungsfähigkeit und Effizienz könnte Chronos der Durchbruch für den Einsatz von Deep Learning bei Zeitreihen-Prognosen sein. Als universelles Modell profitiert es zudem automatisch von zukünftigen Verbesserungen der Transformer-Architektur und von immer größeren Trainingsdatensätzen.
Die Flexibilität von Chronos lässt auch interessante Anwendungen jenseits der reinen Prognose erwarten, etwa bei der Anomalie-Erkennung oder der Klassifikation von Zeitreihen. Es bleibt spannend zu beobachten, welche neuen Möglichkeiten sich hier in Zukunft noch eröffnen werden.
Fazit Amazon Chronos die Super-KI für präzise Prognosen
Chronos ist ein vielversprechendes universelles Framework für die Zeitreihen-Prognose mit Deep Learning. Durch geschicktes Tokenisieren der Zeitreihenwerte und Training auf großen Datensätzen erzielt es mit Standardarchitekturen eine beeindruckende Prognoseleistung. Die Zero-Shot-Fähigkeit und Effizienz machen es zu einer attraktiven Lösung für viele praktische Anwendungen. Mit Chronos ist die Zeit reif für den Durchbruch von Deep Learning auch bei tabellarischen Daten.
Quelle: ArXiv, Studien-Paper PDF
#KünstlicheIntelligenz #DeepLearning #Zeitreihenanalyse #Prognose #Transformer #NLP #artificalintelligence #AI