📈 Los modelos fundacionales llegaron a las series temporales. Zero-shot forecasting sin entrenar nada.
Así como GPT-4 puede responder preguntas sin fine-tuning, estos modelos pueden hacer forecasting en datasets que nunca vieron antes:
1. ⚡ Chronos-2 (Amazon, 120M params) Encoder-only. Soporte nativo para covariables futuras conocidas. Contexto de hasta 8.192 pasos.
2. 🦌 TiRex (NX-AI, 35M params) Basado en xLSTM. Predicciones puntuales y probabilísticas zero-shot en horizontes cortos y largos.
3. ⏱️ TimesFM 2.0 (Google, 500M params) Decoder-only para forecasting univariado. Soporta contextos de 2.048+ puntos sin reentrenamiento.
4. 🔵 IBM Granite TTM R2 (IBM Research, desde 1M params) ¡El más pequeño! Zero-shot y few-shot multivariate en una sola GPU o hasta en CPU.
5. 🌊 Moirai (Salesforce) Proporciona forecasting universal multi-frecuencia con intervalos de confianza calibrados.
¿Por qué importa? Antes debías entrenar un modelo separado para cada caso. Ahora podés hacer forecasting competitivo con datos históricos como único input.
💡 Explicación en pocas palabras#
Un modelo fundacional de series temporales es como un experto universal en pronósticos: sin ver datos de tu empresa, puede predecir ventas, demanda energética o cualquier serie temporal con solo darle los datos históricos. Eliminan la necesidad de entrenar modelos desde cero para cada problema.
Más información en el link 👇
