Salesforce AI Research ha presentado Moirai 2.0, una importante evolución en modelos base para series temporales. Construido sobre una arquitectura de transformador solo con decodificador, Moirai 2.0 marca un nuevo estándar en rendimiento y eficiencia, alcanzando el primer lugar en el benchmark GIFT-Eval, considerado el referente para evaluar modelos de predicción de series temporales. Este modelo es un 44% más rápido en inferencia y ocupa un 96% menos espacio que su versión anterior, todo sin sacrificar precisión, lo que lo convierte en una herramienta revolucionaria tanto para la investigación como para entornos empresariales.
¿Qué hace especial a Moirai 2.0?
Innovaciones en arquitectura - Transformador solo con decodificador: Al reemplazar el enfoque anterior de encoder enmascarado, este diseño mejora la generación autoregresiva de pronósticos, aumentando la escalabilidad y el desempeño en conjuntos de datos grandes y complejos. - Predicción multi-token eficiente: En lugar de predecir un solo token a la vez, el modelo predice varios simultáneamente, lo que ofrece mayor eficiencia y estabilidad. - Filtrado avanzado de datos: Se eliminan automáticamente las series temporales de baja calidad o no previsibles durante el entrenamiento, mejorando la robustez del modelo. - Embedding por fragmentos y enmascaramiento aleatorio: Nuevas técnicas para manejar valores faltantes y mejorar la resistencia frente a datos incompletos durante la inferencia.
Ampliación en el conjunto de datos para preentrenamiento Moirai 2.0 utiliza una combinación más diversa de datos para entrenar: - Conjuntos reales como GIFT-Eval Pretrain y Train - Mezclas sintéticas de series temporales (Chronos mixup) - Procedimientos KernelSynth derivados de investigaciones Chronos - Datos operativos reales internos de Salesforce
Gracias a esta base variada, el modelo puede adaptarse a infinidad de tareas y dominios de predicción.
Resultados sobresalientes Moirai 2.0 supera a sus predecesores con: - Mejor puntuación MASE en GIFT-Eval para modelos sin filtrado de datos (un estándar reconocido para medir precisión en pronósticos) - Rendimiento CRPS similar al estado del arte anterior - En comparación con Moirai_large: • 16% mejor en MASE • 13% mejor en CRPS • 44% más rápido en inferencia • 96% menos parámetros
Esto facilita que la predicción escalable y de alto rendimiento pueda ser accesible a más usuarios y aplicaciones.
Aplicaciones prácticas para profesionales Las capacidades de Moirai 2.0 van mucho más allá del laboratorio y resultan muy útiles en áreas empresariales críticas como: - Operaciones de TI: escalado proactivo de capacidad y detección de anomalías - Pronóstico de ventas: predicciones de ingresos más precisas y escalables - Pronóstico de demanda: gestión optimizada del inventario - Planificación de la cadena de suministro: mejor programación y reducción de desperdicios
Gracias a que el modelo es más ligero y rápido, ahora es posible implementar pronósticos de alta calidad a gran escala, ayudando a las empresas a tomar decisiones más inteligentes y ágiles, independientemente de su infraestructura de datos.
Cómo empezar con Moirai 2.0 La integración es sencilla para desarrolladores y científicos de datos, utilizando módulos open source disponibles, por ejemplo, en Hugging Face. El flujo típico incluye importar librerías, cargar el modelo preentrenado, obtener un conjunto de datos para evaluación y generar pronósticos, todo con pocas líneas de código en Python. Además, Salesforce ofrece ejemplos completos y notebooks para facilitar la experimentación.
Universal, escalable y robusto Moirai 2.0 democratiza el acceso a tecnología avanzada de pronóstico general, con flexibilidad para distintos sectores, mayor robustez, inferencia rápida y menor demanda computacional. Este modelo de Salesforce AI Research está listo para transformar la forma en la que empresas e investigadores aprovechan las series temporales para tomar decisiones más impactantes en todo el mundo.
