Google Cloud telah mengintegrasikan model Time Series Foundation Model (TimesFM) ke dalam BigQuery ML (BQML), memungkinkan pengguna untuk melakukan prediksi deret waktu dengan mudah dan akurasi tinggi langsung di dalam BigQuery menggunakan kueri SQL. Ketersediaan model canggih ini dalam BQML merevolusi cara organisasi mendekati analisis deret waktu dalam skala besar.
Mengenal Model Prediksi Deret Waktu TimesFM
TimesFM adalah model foundation canggih yang dikembangkan oleh Google untuk tugas prediksi deret waktu. Model ini dilatih pada dataset deret waktu yang sangat besar dan beragam, memungkinkannya mempelajari pola temporal yang kompleks dan umum di berbagai domain. Sebagai model foundation, TimesFM dapat menghasilkan prediksi akurat pada dataset deret waktu baru tanpa memerlukan pelatihan yang ekstensif atau penyesuaian hyperparameter khusus untuk setiap seri data.
Keunggulan Utama TimesFM di BigQuery ML
Integrasi TimesFM ke dalam BigQuery ML membawa sejumlah manfaat signifikan bagi para praktisi data:
- Akurasi Prediksi Unggul: TimesFM telah menunjukkan kinerja yang superior dibandingkan model prediksi deret waktu tradisional pada berbagai benchmark.
- Efisiensi Pengembangan Model: Menghemat waktu dan tenaga data scientist dan analis data karena tidak lagi perlu melakukan tuning model yang rumit untuk setiap seri waktu.
- Kemudahan Penggunaan: Pengguna dapat membuat dan menerapkan model prediksi TimesFM menggunakan sintaks SQL BigQuery ML yang familiar.
- Skalabilitas Tinggi: Memanfaatkan infrastruktur BigQuery yang kuat, memungkinkan prediksi pada dataset deret waktu berukuran terabyte dengan efisien.
- Penanganan Pola Kompleks: Secara otomatis mengenali dan memprediksi pola seperti musiman, tren, siklus, dan anomali tanpa rekayasa fitur manual.
Membangun Model Prediksi dengan SQL
Proses pembuatan model prediksi TimesFM di BQML sangat sederhana. Pengguna cukup menggunakan pernyataan CREATE MODEL dan menentukan MODEL_TYPE='TIMESFM'. Data deret waktu yang tersimpan di BigQuery dapat langsung digunakan sebagai input. Setelah model dibuat, fungsi ML.FORECAST digunakan untuk menghasilkan prediksi di masa depan.
Aplikasi Praktis untuk Bisnis
Kemampuan prediksi deret waktu dengan TimesFM di BQML relevan untuk berbagai kasus penggunaan penting di lintas industri, termasuk:
- Prediksi Permintaan: Memproyeksikan penjualan di masa depan untuk optimasi inventaris dan rantai pasok.
- Deteksi Anomali: Mengidentifikasi perilaku atau pola yang tidak biasa dalam data sensor, log, atau transaksi.
- Perencanaan Kapasitas: Memperkirakan kebutuhan sumber daya (misalnya, server, staf) berdasarkan pola penggunaan historis.
- Analisis Data IoT: Memprediksi kegagalan peralatan atau pola penggunaan dari data sensor deret waktu.
- Prediksi Keuangan: Memproyeksikan metrik keuangan seperti harga saham atau volume transaksi.
Model TimesFM di BigQuery ML saat ini tersedia dalam status Public Preview. Integrasi ini secara signifikan menyederhanakan dan mempercepat proses analisis deret waktu dan prediksi berskala besar, memberdayakan organisasi untuk membuat keputusan yang lebih cerdas dan responsif.
Sumber: https://cloud.google.com/blog/products/data-analytics/bigquery-ml-timesfm-models-now-in-preview/