330 triệu tham số, Google ra mắt AI dự báo TimesFM-3

Google vừa công bố mô hình AI dự báo TimesFM-3 (TimesFM-3), có khả năng xử lý đồng thời nhiều chuỗi dữ liệu thời gian liên quan đến nhau như doanh thu, số lượng khách hàng và thời tiết. Điểm mới cốt lõi là mô hình mở rộng từ cách dự đoán giá trị tiếp theo của một chuỗi đơn lẻ sang cách nhìn nhận mối quan hệ giữa nhiều biến số cùng lúc.

Theo bài đăng trên blog chính thức của Google Research ngày 31 tháng trước, TimesFM-3 là mô hình nền tảng thế hệ mới được huấn luyện sẵn chuyên cho dự báo chuỗi thời gian đa biến. Mô hình sử dụng phương pháp zero-shot, cho phép phân tích nhiều luồng dữ liệu khác nhau mà không cần tinh chỉnh thêm cho từng tác vụ cụ thể.

Dự báo chuỗi thời gian là kỹ thuật tính toán giá trị tiếp theo dựa trên dữ liệu được sắp xếp theo trình tự thời gian, áp dụng cho các đại lượng biến động như doanh thu, tồn kho, lượng truy cập, thời tiết hay nhu cầu thị trường. Trước đây, cách tiếp cận đơn biến - tập trung vào một chuỗi dữ liệu duy nhất để dự đoán tương lai - vẫn là phương pháp phổ biến nhất.

Thay đổi lớn nhất của TimesFM-3 là bước chuyển từ chuỗi thời gian đơn biến sang đa biến. Các phiên bản trước, kể cả TimesFM-2.5, chủ yếu dự đoán giá trị tiếp theo dựa trên một chuỗi dữ liệu. Trong khi đó, TimesFM-3 có thể nhận đầu vào là nhiều mục tiêu dự báo cùng lúc, các biến phụ trợ trong quá khứ, lẫn những biến số bên ngoài đã biết trước như lịch trình, thời tiết hay chương trình khuyến mãi.

Ví dụ được Google đưa ra là dự báo doanh số kem. Thay vì chỉ nhìn vào doanh số bán hàng trong quá khứ, mô hình còn đưa vào số lượng khách hàng, doanh số các sản phẩm liên quan, dự báo thời tiết sắp tới và lịch khuyến mãi đã lên kế hoạch. Trong biểu đồ minh họa, Google Research cho biết doanh thu tăng khoảng 20% vào những ngày có chương trình khuyến mãi.

Tuy nhiên, con số này chỉ mang tính minh họa cách mô hình vận hành, không phản ánh kết quả kinh doanh hay triển vọng doanh thu thực tế của bất kỳ doanh nghiệp cụ thể nào. Việc quy kết trực tiếp kết quả dự báo AI thành lợi nhuận hay hiệu quả vận hành thực tế vốn không đơn giản - điều mà TokenPost từng đề cập khi đưa tin rằng đánh giá các mô hình giao dịch AI thiên về so sánh khả năng ứng phó rủi ro hơn là dự đoán hiệu suất.

TimesFM-3 có 330 triệu tham số, được huấn luyện sẵn trên hơn 1.000 tỷ điểm dữ liệu chuỗi thời gian, kết hợp cả dữ liệu thực tế và dữ liệu tổng hợp. Quy mô mô hình và lượng dữ liệu huấn luyện lớn hơn giúp mô hình xử lý được luồng thời gian của nhiều ngành khác nhau trong cùng một hệ thống.

Về mặt cấu trúc, TimesFM-3 gom dữ liệu liên tục thành từng nhóm 32 mốc thời gian, sau đó luân phiên áp dụng cơ chế chú ý nhân quả theo trục thời gian và chú ý giữa các biến số. Cách làm này giúp mô hình nắm bắt cả diễn biến theo thời gian lẫn tương tác giữa các biến trong cùng một quá trình dự báo, thay vì xử lý riêng lẻ từng phần.

Phương thức dự báo cũng thay đổi. Các mô hình trước tạo dự báo theo từng đoạn nhỏ, còn TimesFM-3 tính toàn bộ khoảng dự báo chỉ trong một lượt truyền xuôi (forward pass) duy nhất. Google cho biết cách làm này giúp giảm độ trễ xử lý và hạn chế sai số tích lũy trong quá trình tạo dự báo lặp lại nhiều lần.

Hiệu năng của mô hình được đánh giá trên ba bộ benchmark công khai là GIFT-Eval, FEV-Bench và TIME. Google Research cho biết TimesFM-3 đạt thứ hạng trung bình cao nhất ở cả dự báo điểm lẫn dự báo xác suất trên cả ba benchmark, so với các mô hình nền tảng chuỗi thời gian được huấn luyện sẵn khác. Ở chế độ đơn biến, mô hình cho kết quả tương đương hoặc nhỉnh hơn đối thủ, còn ở chế độ đa biến, hiệu năng được cải thiện rõ rệt hơn.

Phạm vi phát hành vẫn có giới hạn nhất định. Theo kho lưu trữ GitHub của Google Research, mã nguồn TimesFM-3 được công bố theo giấy phép Apache 2.0, nhưng bộ trọng số huấn luyện sẵn lại áp dụng giấy phép phi thương mại riêng. Điều này đồng nghĩa các trọng số mặc định chưa thể sử dụng trực tiếp cho dịch vụ thương mại hay môi trường vận hành thực tế.

Cũng trên blog chính thức, Google Research cho biết TimesFM-3 hiện đã có trên GitHub và Hugging Face, dự kiến sẽ được tích hợp vào BigQuery trong vài tuần tới. Tài liệu của Google Cloud mô tả mô hình TimesFM trong BigQuery ML được thiết kế để đưa ra dự báo thông qua hàm AI.FORECAST mà không cần tạo hay huấn luyện mô hình riêng.

Với doanh nghiệp, điều đáng quan tâm hơn cả bản thân mô hình là cấu trúc dữ liệu đầu vào. Các nhà bán lẻ có thể theo dõi đồng thời doanh thu, lượng khách ghé thăm và lịch khuyến mãi, trong khi các công ty nền tảng có thể đưa lưu lượng truy cập, sự kiện và yếu tố mùa vụ vào cùng một lúc để đánh giá nhu cầu. Trong các tác vụ dự báo chuỗi thời gian nói chung, việc lựa chọn biến số đưa vào và khoảng thời gian dùng để kiểm chứng thường quan trọng không kém hiệu năng của bản thân mô hình.

Đây cũng là điểm doanh nghiệp Hàn Quốc cần xác nhận ngay. Lần công bố này cho thấy rõ hiệu năng mô hình, kế hoạch phát hành và các giới hạn về giấy phép. Còn việc áp dụng thương mại trong môi trường vận hành thực tế của doanh nghiệp vẫn phải chờ xem xét điều kiện giấy phép của bộ trọng số huấn luyện sẵn, cũng như điều kiện cung cấp sau khi tích hợp vào BigQuery.