بسیاری از متخصصان داده با این چالش روبرو هستند که آیا هزینههای سنگین سختافزاری و GPU برای پیادهسازی مدلهای مدرن پیشبینی سری زمانی ارزشش را دارد یا روشهای کلاسیک مثل XGBoost همچنان برنده هستند؟
محققان در یک مطالعه جدید، پاسخی دقیق برای این سوال پیدا کردهاند! آنها با بررسی ۳۰ دیتاست مختلف، یک چارچوب عملیاتی ارائه دادند تا مشخص شود در چه نقطهای از حجم داده، استفاده از مدلهای پیشرفته (مثل Chronos یا Lag-Llama) توجیه فنی و اقتصادی پیدا میکند.
نکته جالب اینجاست که برای دادههای کمحجم با فصلیبودن مشخص، مدلهای Zero-shot بسیار بهتر از روشهای پیچیده عمل میکنند و گاهی حتی تنظیم دقیق (Fine-tuning) نتیجه را بدتر میکند! این تحقیق به تیمهای مهندسی کمک میکند قبل از صرف هزینههای سنگین زیرساختی، با یک تست ساده بهترین مدل را برای پروژه خود انتخاب کنند.
منبع: arXiv Machine Learning