Google-এর TimesFM-3 বক্ররেখার বাইরে তাকায়
Google Research TimesFM-3 চালু করেছে, একটি পূর্বাভাস মডেল যা টাইম সিরিজে ভবিষ্যৎ মান পূর্বাভাস দেওয়ার জন্য তৈরি — সংখ্যার সুশৃঙ্খল ধারা যা দৈনিক বিক্রয় সংখ্যা, ট্রাফিক গণনা বা সেন্সর রিডিং হিসেবে দেখা যায় — এবং সেই সংখ্যাগুলোর চারপাশের প্রেক্ষাপটও বিবেচনা করে। এই প্রকাশ পূর্বাভাসকে প্রতিটি ডেটাসেটের জন্য নতুন করে তৈরি করা বিশেষায়িত প্রকৌশল প্রকল্পের বদলে একটি সাধারণ উদ্দেশ্যের সক্ষমতায় পরিণত করার প্রচেষ্টায় আরেকটি পদক্ষেপ।
মূল ভিত্তি হলো বাস্তব পূর্বাভাস খুব কমই একটি মাত্র ভেরিয়েবলের উপর নির্ভর করে। Google এই বিষয়টি একটি খুচরা চেইনের আইসক্রিম বিক্রয় পূর্বাভাস দেওয়ার উদাহরণ দিয়ে ব্যাখ্যা করে। যে মডেল শুধু অতীতের আইসক্রিম ক্রয় দেখে, সেটি অনেক কিছু মিস করবে: ওয়াফল কোন ও সিরাপের মতো সম্পর্কিত পণ্যের বিক্রয়, দোকানের কাছে ঐতিহাসিক পথচারী চলাচল, আবহাওয়ার অবস্থা, পরিকল্পিত ছাড় প্রচারণা এবং ছুটির দিন — সবই চাহিদা গঠন করে। TimesFM-3 সেই সংকেতগুলোকে আলাদা সমস্যা হিসেবে না দেখে একটি পূর্বাভাসে মিলিত করার জন্য ডিজাইন করা হয়েছে।
প্যাচ, নরমালাইজেশন এবং একটি দ্বিমুখী ট্রান্সফরমার
স্থাপত্যের দিক থেকে TimesFM-3 ট্রান্সফরমার পরিবারেই রয়েছে, যা তার পূর্বসূরিদের ব্যবহৃত একই মৌলিক ডিজাইন। তবে টাইম সিরিজ ডেটা নেটওয়ার্কে কীভাবে প্রবেশ করে সে বিষয়ে এটি সচেতন সিদ্ধান্ত নেয়। মডেলকে একবারে একটি ডেটা পয়েন্ট খাওয়ানোর বদলে এটি ৩২টি ধারাবাহিক পয়েন্টকে একটি প্যাচে গ্রুপ করে। সেই প্যাচই মডেলের বিশ্লেষণের একক হয়ে ওঠে, যা সিকোয়েন্স ছোট করে এবং নেটওয়ার্ককে স্থানীয় আকৃতির বিস্তৃত দৃশ্য দেয়।
Google প্রতিটি সিরিজকে একটি সাধারণ স্কেলে নরমালাইজও করে। এটি গুরুত্বপূর্ণ কারণ টাইম সিরিজ অত্যন্ত ভিন্ন মাত্রায় আসে — দিনে কয়েকটি ইউনিট বিক্রয় বনাম একটি শিল্প সেন্সর থেকে লক্ষ লক্ষ রিডিং — এবং সরাসরি তুলনা অর্থহীন হবে। প্রতিটি সিরিজকে একটি অভিন্ন ভিত্তিতে স্কেল করা মডেলকে খুব ভিন্ন ডোমেইনের প্যাটার্নগুলোকে তুলনাযোগ্য হিসেবে বিবেচনা করতে দেয়।
এরপর প্রক্রিয়াকরণ দুটি পর্যায়ক্রমিক দিকে চলে। সময় অক্ষ বরাবর, মডেল একটি সিরিজের ভিতরে প্যাটার্ন খোঁজে এবং এটি শুধু অতীতের মান ব্যবহার করে যাতে ভবিষ্যতের তথ্য পূর্বাভাসে ফাঁস না হতে পারে। সিরিজ জুড়ে, এটি একটি নির্দিষ্ট মুহূর্তে প্রতিটি ভেরিয়েবল তুলনা করে এবং তাদের সম্পর্ক শেখে। এই আন্তঃ-সিরিজ দৃষ্টিভঙ্গিই মডেলকে একটি পণ্যের ছাড় অন্য পণ্যের বিক্রয় পরিবর্তন করার মতো প্রভাব ধরতে দেয় — এমন সম্পর্ক যা একটি একক-সিরিজ মডেল কখনো দেখতে পাবে না।
Google-এর ইনপুট সেটআপের চিত্রটি ডেটাকে রঙ-কোড করে: একটি নীল লক্ষ্য সিরিজ, বেগুনি ভেরিয়েবল যা শুধু ইতিহাস থেকে জানা, এবং সবুজ টোকেন পরিচিত ভবিষ্যৎ ঘটনার জন্য যার উপস্থাপনায় ইতিমধ্যে আসন্ন প্যাচ অন্তর্ভুক্ত।
অতিরিক্ত সংকেতের তিন ধরন
Google অনুযায়ী, TimesFM-3 তিন ধরনের সম্পূরক ডেটা গ্রহণ করে।
- সহ-ভেরিয়েবল যা এটি যৌথভাবে পূর্বাভাস দেয়। মডেল একসাথে কয়েকটি সম্পর্কিত ভেরিয়েবল পূর্বাভাস দিতে পারে, যেমন বিভিন্ন আইসক্রিম ফ্লেভারের চাহিদা, প্রতিটিকে আলাদাভাবে না দেখে।
- ঐতিহাসিকভাবে পরিচিত ভেরিয়েবল। অতীতের পথচারী চলাচলের মতো কারণ বর্তমান পর্যন্ত পাওয়া যায় কিন্তু তার পর নয়, এবং মডেল সেগুলোকে প্রেক্ষাপট হিসেবে অন্তর্ভুক্ত করে।
- পরিচিত ভবিষ্যৎ ঘটনা। পরিকল্পিত প্রমোশন, ছাড়ের সময়সূচি এবং আবহাওয়ার পূর্বাভাস এমন ঘটনা যাদের সময় ইতিমধ্যে জানা, তাই মডেল সেগুলোকে শুধু ইতিহাস থেকে অনুমান না করে সম্মুখমুখী ইনপুট হিসেবে ব্যবহার করতে পারে।
তৃতীয় শ্রেণিতেই TimesFM-3 ধ্রুপদী পরিসংখ্যানগত পূর্বাভাস থেকে সবচেয়ে তীব্রভাবে বিচ্যুত হয়। একটি প্রমোশন ক্যালেন্ডার আবিষ্কারের অপেক্ষায় থাকা প্যাটার্ন নয় — এটি ভবিষ্যৎ সম্পর্কে একটি সত্য। এই মডেল এমন সত্যকে ইনপুট হিসেবে গ্রহণ করার জন্য প্রকৌশলী করা হয়েছে।
ধাপে ধাপে নয়, এক শটে
মডেলের আগের সংস্করণগুলো একবারে একটি ব্লক করে পূর্বাভাস তৈরি করত। প্রতিটি নতুন ব্লক পূর্ববর্তী পূর্বাভাসের উপর নির্মিত হতো, এমন একটি পদ্ধতি যা Google ধীর, গণনা-ভারী এবং ক্রমবর্ধমান ত্রুটির ঝুঁকিপূর্ণ বলে বর্ণনা করে: সিকোয়েন্সের শুরুতে একটি ছোট ভুল পরবর্তী সবকিছু বিকৃত করতে পারে। এটি অটোরিগ্রেসিভ পূর্বাভাসে একটি পরিচিত ব্যর্থতার ধরন, যেখানে একটি মডেল কার্যত নিজের আউটপুটই খায়।
TimesFM-3 সেই লুপ পরিত্যাগ করে। এটি প্রতিটি ভবিষ্যৎ সময় ধাপে ফাঁকা প্লেসহোল্ডার নির্ধারণ করে এবং এক ঝটকায় সেগুলো পূরণ করে। Google এটিকে এক-শট পূর্বাভাস বলে অভিহিত করে, এবং ব্যবহারিক পার্থক্য আইসক্রিম পরিস্থিতিতে দেখা যায়। যে মডেল শুধু অতীত বিক্রয় জানে সেটি কেবল প্রতিষ্ঠিত সাপ্তাহিক ছন্দ চালিয়ে যাবে, এমন একটি প্রমোশনের প্রতি অন্ধ যা এখনো ঘটেনি। TimesFM-3 ছাড়ের সময়সূচি পেলে ধাপে ধাপে এগোনোর বদলে এক পাসে পূর্বাভাস সমন্বয় করতে পারে।
প্রতি ধাপে নয়টি মান: অনিশ্চয়তা অন্তর্ভুক্ত
প্রতিটি সময় ধাপের জন্য একটি একক পয়েন্ট অনুমান দেওয়ার বদলে, TimesFM-3 প্রতি ধাপে নয়টি মান আউটপুট দেয়। সেই মানগুলো পূর্বাভাসের পরিসর ও অনিশ্চয়তা ধরার উদ্দেশ্যে — এমন একটি পূর্বাভাস যা কেবল কী ঘটতে পারে তা নয়, মডেল কতটা আত্মবিশ্বাসী তাও জানায়। পরিকল্পনার উদ্দেশ্যে, এই পার্থক্য প্রায়ই একটি নগ্ন সংখ্যার চেয়ে বেশি উপযোগী, কারণ এটি ডাউনস্ট্রিম সিস্টেমকে ঝুঁকি বিশ্লেষণ, ইনভেন্টরি বাফার বা অতিরিক্ত সক্ষমতা নির্ধারণ করতে দেয়।
ট্রিলিয়ন-পয়েন্ট স্কেলে প্রশিক্ষিত, জিরো-শটে স্থাপিত
মডেলটিতে ৩৩০ মিলিয়ন প্যারামিটার রয়েছে এবং Google অনুযায়ী এটি মোট এক ট্রিলিয়নেরও বেশি ডেটা পয়েন্টের বাস্তব ও কৃত্রিম টাইম সিরিজের মিশ্রণে প্রশিক্ষিত। তার পূর্বসূরিদের মতো এটি জিরো-শটে কাজ করে: নতুন কাজের জন্য অতিরিক্ত প্রশিক্ষণের প্রয়োজন নেই। এই বৈশিষ্ট্যই মূল প্রস্তাবের কেন্দ্রে। প্রতিটি নতুন পূর্বাভাস সমস্যার জন্য লেবেলযুক্ত ডেটাসেট জড়ো করে মডেল ফিট করার বদলে, একজন ব্যবহারকারী TimesFM-3-কে একটি সিরিজ ও তার সংশ্লিষ্ট সংকেতের দিকে নির্দেশ করতে পারেন এবং ব্যবহারযোগ্য আউটপুট আশা করতে পারেন।
জিরো-শট কর্মক্ষমতাই পূর্বাভাসে একটি ফাউন্ডেশন-মডেল পদ্ধতিকে প্রথম থেকেই আকর্ষণীয় করে তোলে। পূর্বাভাস সমস্যা সর্বত্র — ইনভেন্টরি, বিদ্যুৎ লোড, কর্মী ব্যবস্থাপনা, লজিস্টিকস, সক্ষমতা পরিকল্পনা — কিন্তু ঐতিহাসিকভাবে প্রতিটির নিজস্ব পাইপলাইন, নিজস্ব ফিচার এবং নিজস্ব যাচাই ব্যবস্থা প্রয়োজন হতো। একটি একক মডেল যা সেগুলো জুড়ে সাধারণীকরণ করে তা বদলে দেয় কে একটি পূর্বাভাস ব্যবস্থা তৈরি করতে পারে এবং কত দ্রুত।
প্রশিক্ষণ ডেটার বিস্তৃতিও এখানে প্যারামিটার সংখ্যার মতোই গুরুত্বপূর্ণ। কৃত্রিম সিরিজের সাথে বাস্তব সিরিজ মিশিয়ে Google মডেলটিকে যেকোনো একক ডোমেইন সরবরাহ করতে পারে তার চেয়ে বেশি বৈচিত্র্যময় আকৃতি, মৌসুমি ছন্দ ও শক প্যাটার্নের সংস্পর্শে আনতে পারে। সেই বৈচিত্র্যই সাধারণীকরণের কাঁচামাল, এবং জিরো-শট দাবি 궁লত এর উপরেই নির্ভর করে।
সংখ্যার জন্য ফাউন্ডেশন মডেলের বৃহত্তর বাজি
TimesFM-3 দুটি প্রবণতার সংযোগস্থলে অবস্থান করে: টেক্সট ও ছবির বাইরে ফাউন্ডেশন মডেলের স্কেলিং, এবং উন্নত পরিচালনামূলক পূর্বাভাসের দীর্ঘস্থায়ী চাহিদা। Google-এর বক্তব্য হলো প্রেক্ষাপটই একটি সরল এক্সট্রাপোলেশন থেকে একটি উপযোগী পূর্বাভাসকে আলাদা করে, এবং স্থাপত্যটি সেই দাবির সরাসরি প্রতিক্রিয়া — দক্ষতার জন্য প্যাচ, তুলনাযোগ্যতার জন্য নরমালাইজেশন, সম্পর্কের জন্য সময় ও ভেরিয়েবল উভয় জুড়ে মনোযোগ, এবং সংগতির জন্য এক-শট ডিকোডার।
এই সমন্বয় বিশৃঙ্খল বাস্তব-জগতের ডেটা জুড়ে টিকে থাকবে কিনা তা খোলা প্রশ্নই রয়ে যায়, যেমন যেকোনো জিরো-শট সিস্টেমের ক্ষেত্রে। তবে দিকটি স্পষ্ট: পূর্বাভাসকে পরিসংখ্যানগত বোঝা হিসেবে কম এবং একটি সাধারণ যুক্তি নির্ধারণের কাজ হিসেবে বেশি বিবেচনা করা হচ্ছে, যেখানে বিক্রয় ডেটা, আবহাওয়া এবং একটি ছাড়ের ক্যালেন্ডার সবই একই ইনপুটে belong করে। প্রমোশন চালানো খুচরা বিক্রেতা, লোড ভারসাম্যকারী ইউটিলিটি এবং সক্ষমতা পরিকল্পনাকারী অপারেটরদের জন্য আকর্ষণ সরল — মডেলকে ইতিমধ্যে ক্যালেন্ডারে থাকা ঘটনা পূর্বাভাস দিতে বলা হয়, শুধু গত বছরের রেখা বাড়ানো নয়।
এই নিবন্ধটি The Decoder-এর প্রতিবেদনের উপর ভিত্তি করে। মূল নিবন্ধ পড়ুন।
Originally published on the-decoder.com