إنفيديا كومو فوركاست توحد نماذج السلاسل الزمنية المدربة مسبقًا مع استرجاع الأنماط التاريخية

أصدرت إنفيديا مكتبة كومو فوركاست (Kumo Forecast) للتنبؤ بالسلاسل الزمنية متعددة المتغيرات، والتي تدمج هيكل محول (Transformer) مدرب مسبقًا مع مسار استرجاع معزز. كان النموذج معروفًا سابقًا باسم NV-Tesseract Forecasting، ويعتمد على مشفر MOMENT-1-large — حوالي 340 مليون معلمة مجمدة — بينما يتم تدريب رأس التنبؤ فقط للمهمة المستهدفة.

تقدم المكتبة وضع التمثيل والاسترجاع الواعي بالمجال (DARR)، وهو نمط اختياري يكمل تنبؤات النموذج المباشرة بمطابقات أقرب الجيران (k-nearest-neighbor) المستمدة من إطار بيانات سياقي تاريخي منفصل. يمكن للمطورين ضبط وزن المزج بين التنبؤ المباشر والأنماط المسترجعة، مع بقاء نافذة الإدخال متميزة عن مجموعة الاسترجاع.

لماذا هذا مهم لبنية GPU / الذكاء الاصطناعي التحتية

تفصل هندسة كومو فوركاست تعلم التمثيل الثقيل (الذي يتم مرة واحدة على عناقيد GPU) عن الضبط الدقيق الخاص بالمهمة والاستنتاج خفيف الوزن. يتماشى هذا النمط — نموذج أساسي مجمد بالإضافة إلى رأس قابل للتدريب بالإضافة إلى استرجاع اختياري صديق لوحدة المعالجة المركزية — مع التحول نحو خدمة فعالة وقابلة للتوسع على بنية تحتية غير متجانسة. يمكن للفرق التي تشغل أعباء عمل التنبؤ على سحابة AiGpu التدريب المسبق مرة واحدة، ثم نشر العديد من الرؤوس المتخصصة بأقل قدر من الحوسبة.

يولد إطار تفسيرية مدمج تفسيرات خاصة بكل أفق تنبؤ دون تعديل أداة التنبؤ، مما يساعد على الامتثال والثقة في القطاعات المنظمة. الكود والأوزان متاحان تحت ترخيص Apache 2.0 في NVIDIA/Kumo-TS و nvidia/Kumo-Forecast على التوالي.