NVIDIA Kumo Forecast يدمج الأنماط التاريخية مع السلاسل الزمنية
يقدم نموذج NVIDIA Kumo Forecast نهجاً مبتكراً للتنبؤ متعدد المتغيرات، يدمج بين الترميز الزمني المدرب مسبقاً واسترجاع الأنماط من البيانات التاريخية، مع الحفاظ على قابلية التفسير.
رضوان عبدالهاديمحرر وكاتب تقني
نظرة عامة على NVIDIA Kumo Forecast
تقدم NVIDIA Kumo Forecast (المعروفة سابقاً باسم NV-Tesseract Forecasting) نموذجاً للتنبؤ متعدد المتغيرات بالسلاسل الزمنية يجمع بين Backbone Transformer المدرب مسبقاً وآلية تمثيل واسترجاع واعية بالنطاق (DARR). ويتيح هذا الدمج للنموذج ليس فقط التنبؤ بالقيم المستقبلية مباشرة، ولكن أيضاً استرجاع الأنماط ذات الصلة من البيانات التاريخية، مما يحسن الدقة ويوفر تفسيرات شفافة. ويمكن الوصول إلى النموذج عبر مستودع Hugging Face تحت اسم NVIDIA/Kumo-TS، مع توفر الأوزان تحت nvidia/Kumo-Forecast. ويمكن للمطورين استكشاف الوثائق الكاملة على Hugging Face Blog.
يستند Kumo Forecast إلى بنية MOMENT-1-large، وهي مشفر زمني قوي مدرب مسبقاً على مجموعات بيانات كبيرة ومتنوعة من السلاسل الزمنية. ويحتفظ المشفر الأساسي بأوزان ثابتة أثناء تدريب رأس التنبؤ، مما يفصل بين نموذج التمثيل المدرب مسبقاً وطبقة التنبؤ الخاصة بالمهمة. ويضيف رأس التنبؤ القابل للتدريب طبقة تنبؤ متخصصة تتعلم من البيانات المحددة للنطاق. ويبلغ إجمالي عدد المعلمات في المشفر الأساسي حوالي 340 مليون معلمة، مما يوفر أساساً قوياً للتعلم الدقيق. ويمكن الرجوع إلى Back to Articles للاطلاع على التفاصيل الأصلية للمصدر.
كيف يعمل التنبؤ المعزز بالسياق
يمكن لنظام التنبؤ الاعتماد على مصدرين للمعلومات: التمثيلات التي تم تعلمها أثناء التدريب المسبق والملاحظات التاريخية المتاحة للتطبيق الحالي. ويجمع Kumo-Forecast بين هذين المصدرين من خلال نموذج تنبؤ مدرب مسبقاً ومسار استرجاع اختياري فوق السياق التاريخي. وفي مسار التنبؤ المباشر، يستخدم Kumo-Forecast محول MOMENT-مدعوم ورأس تنبؤ مدرب للتنبؤ بالقيم المستقبلية. وفي وضع DARR، يقوم أيضاً باسترجاع الأنماط ذات الصلة من البيانات التاريخية باستخدام نهج أقرب جار ودمج تلك المعلومات مع التنبؤ المباشر. ويخلق هذا تمييزاً بين نافذة إدخال النموذج وسياق الاسترجاع الخاص به. وتوفر نافذة الإدخال ملاحظات حديثة للتنبؤ؛ ويمكن أن يوفر DataFrame تاريخي منفصل سياقاً إضافياً لاسترجاع الأنماط. ويمكن للمطورين ضبط مدى اعتماد التنبؤ النهائي على كل مسار من خلال خيارات تكوين المكتبة. ويمكن العثور على مزيد من المعلومات حول وضع DARR في الورقة البحثية المنشورة، Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains.
تدمج أربعة مكونات رئيسية: مشفر زمني مدرب مسبقاً، ورأس تنبؤ قابل للتدريب، وآلية استرجاع الأنماط التاريخية، وإطار عمل قابل للتفسير. ويستخدم المشفر الزمني المدرب مسبقاً بنية MOMENT-1-large Transformer كعمود فقري له. ويحتفظ المشفر والموزع بأوزان ثابتة أثناء تدريب رأس التنبؤ، مما يفصل بين نموذج التمثيل المدرب مسبقاً وطبقة التنبؤ الخاصة بالمهمة. ويقوم رأس التنبؤ المباشر بربط تمثيلات النموذج بالقيم المستقبلية لأفق الطلب. وبالنسبة للآفاق التي تتجاوز القدرة الأصلية للنموذج، هناك دعم للامتداد التلقائي. وهذا يميز التنبؤ المولد مباشرة عن التنبؤ الأطول الذي يمدد التنبؤات بشكل متكرر. ويقوم التمثيل والاسترجاع الواعي بالنطاق (DARR) بتعزيز التنبؤ المباشر مع الاسترجاع k-nearest-neighbor من بيانات السياق التاريخي. ويجمع هذا العملية بين التنبؤات المباشرة واسترجاع الأنماط التاريخية، بينما يقبل SDK السياق التاريخي من خلال وسيطة context_df منفصلة. ويشمل Kumo-Forecasting أيضاً إطار عمل قابل للتفسير غير خاص بالنموذج. وعندما يكون مفعّلاً، فإنه ينتج حزمة تفسيرات تحتوي على نسب المساهمة في التأخير والميزات لكل أفق تنبؤ، وتشخيصات تدفق دلالي، وتشخيصات استقرار المسار، ومتكاملات التدرج المدمجة الاختيارية. وترافق هذه المخرجات التنبؤ بدلاً من طلب بنية تنبؤ مختلفة. ويمكن العثور على مزيد من التفاصيل حول قابلية التفسير في هذه الورقة، NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates.
التكوين وقابلية التفسير
يوفر Kumo-Forecast واجهة برمجة تطبيقات تركز على DataFrame، مما يسمح للمطورين بتحديد آفاق التنبؤ، وتوفير سياق تاريخي اختياري للاسترجاع، وتعديل مدى اعتماد التنبؤ النهائي على المسارات المباشرة مقابل مسارات الاسترجاع. ويوفر إطار العمل القابل للتفسير تفسيرات خاصة بكل أفق دون الحاجة إلى تعديل نظام التنبؤ الأساسي. ويمكن للمطورين تفعيل هذه الميزة عبر وسيطة بسيطة، مما ينتج حزمة تفسيرات يمكن دمجها مباشرة في خطوط أنابيب الإنتاج. ويمكن العثور على مزيد من التفاصيل حول قابلية التفسير في هذه الورقة، NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates.
يمكن للمطورين أيضاً ضبط كيفية اعتماد التنبؤ النهائي على كل مسار من خلال خيارات تكوين المكتبة. وتوفر المكتبة آفاق تنبؤ قابلة للتكوين، وسياق تاريخي اختياري للاسترجاع، وإطار عمل قابل للتفسير ينتج تفسيرات خاصة بكل أفق دون تعديل نظام التنبؤ الأساسي. ويمكن العثور على مزيد من المعلومات حول وضع DARR في الورقة البحثية المنشورة، Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains.
حالات الاستخدام والتقييم
يوفر NVIDIA Factory Operations (FOX) Blueprint وصولاً مبكراً إلى وحدة الصيانة التنبؤية التي تستفيد من Kumo Anomaly وKumo Forecast. ويقوم بتحليل البيانات في الوقت الفعلي للتنبؤ بالشذوذ المستقبلي. ويمكن للمطورين استكشاف النموذج أكثر على Hugging Face Blog، حيث تتوفر الوثائق الكاملة وأمثلة الكود. ويمكن العثور على مزيد من التفاصيل حول قابلية التفسير في هذه الورقة، NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates.
لإجراء تقييم خاص بالتطبيق، قارن التكوينات المباشرة والمعززة بالاسترجاع على نفس نوافذ التنبؤ المحتجزة. وتحقق من جودة التنبؤ عبر الآفاق والظروف التشغيلية المقصودة، بما يتوافق مع متطلبات NVIDIA للاختبار الخاص بحالة الاستخدام. ويمكن للمطورين أيضاً ضبط كيفية اعتماد التنبؤ النهائي على كل مسار من خلال خيارات تكوين المكتبة. ويوفر Kumo-Forecast واجهة برمجة تطبيقات تركز على DataFrame، مما يسمح للمطورين بتحديد آفاق التنبؤ، وتوفير سياق تاريخي اختياري للاسترجاع، وتعديل مدى اعتماد التنبؤ النهائي على المسارات المباشرة مقابل مسارات الاسترجاع.
التوافر والتكامل
Kumo-Forecast متاح بموجب رخصة Apache 2.0، مما يسمح بالاستخدام التجاري والتعديل. ويمكن للمطورين الوصول إلى الكود على مستودع NVIDIA/Kumo-TS، وتنزيل الأوزان من nvidia/Kumo-Forecast، واستكشاف الوثائق الكاملة على Hugging Face Blog. ويمكن العثور على مزيد من المعلومات حول وضع DARR في الورقة البحثية المنشورة، Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains.
يوفر مستودع Kumo-TS أيضاً مثالاً على ضبط Kumo-Forecast بدقة على ملف CSV الذي يوفره المستخدم، مما يوفر للمطورين كلاً من سير عمل الاستدلال المدرب مسبقاً ونقطة بداية موثقة لتكييف النموذج مع بياناتهم الخاصة. ويمكن للمطورين أيضاً استكشاف النموذج أكثر على Hugging Face Blog، حيث تتوفر الوثائق الكاملة وأمثلة الكود.
المصادر
- Hugging Face BlogNVIDIA Kumo Forecast Combines Pretrained Time-Series Representations with Historical Pattern Retrieval and Interpretability
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
NVIDIA وHugging Face يطلقان روبوت Microduck مع Isaac Lab 3.0
يتيح إطار عمل Isaac Lab 3.0 تدريب روبوت Microduck ثنائي القوائم على المشي في المحاكاة ثم نقله فعلياً، مع تصدير السياسات بصيغة ONNX للمشاركة على Hugging Face Hub.
غياب OpenAI عن تحالف Nvidia لوقف وكلاء الذكاء الاصطناعي الخارجين عن السيطرة
تعمل OpenAI سرًا مع Nvidia رغم غيابها العلني عن منصة Open Agent Safety Platform، في خطوة تهدف إلى معالجة أزمات الوكلاء الخارجين عن السيطرة.
Liquid AI تطلق نماذج d1 المفتوحة للقرارات الذكية على الحافة
تُطلق Liquid AI نماذج d1-3B و d1-omni-600M المفتوحة، وهي نماذج متعددة الوسائط سريعة تستجيب في أقل من 50 مللي ثانية على أجهزة الحافة، متفوقةً على المنافسين في جودة القرار.
NVIDIA تكشف عن Cosmos3-H-Dreams لمحاكاة الجراحة التفاعلية
تطلق NVIDIA نموذج Cosmos3-H-Dreams الذي يحوّل تسجيلات جراحات حية إلى محاكاة تفاعلية فورية، مدعوماً بتقنيات الذكاء الاصطناعي لتدريب الروبوتات الجراحية بدقة عالية.
