GPT
הוספת כלי
M

MOMENT-1-large

קוד פתוח

AutonLabmit2024-05-09

  • transformers
  • pytorch
  • safetensors
  • time series
  • forecasting

מודל בסיס לסדרות עתיות שנותן מענה בגישת אפס דוגמאות לחיזוי, סיווג וזיהוי חריגות. פתרון מתאים למי שרוצה לעבוד מקומית בלי לאמן ארכיטקטורה מאפס.

  • 346Mפרמטרים
  • 2.6 GBמשקל הקבצים
  • 36,437הורדות בחודש
  • 100לייקים

מה זה

מדובר במודל מבית היוצר של אוטון לאב באוניברסיטת קרנגי מלון, שנבנה כמודל יסוד לעיבוד סדרות עתיות. הוא מגיע עם כ־346 מיליון פרמטרים ומסוגל לבצע חיזוי קדימה, סיווג רצפים, זיהוי אנומליות, השלמת ערכים חסרים והפקת ייצוגים וקטוריים. הייחוד כאן הוא הגמישות התפקודית, במקום להחזיק מודל נפרד לכל משימה, טוענים את אותה תשתית ומשנים רק את הגדרת המשימה בטעינה.

המודל מתוכנן לעבוד ישר מהקופסה בלי אימון מוקדם על הדאטה הספציפי שלכם, אבל מאפשר גם כוונון עדין מלא או חלקי אם יש לכם נתונים מתאימים. הוא הגרסה הגדולה בסדרה שכוללת גם דגמי בסיס ודגמים קטנים יותר, מה שנותן נקודת פתיחה טובה למי שרוצה מקסימום דיוק מתוך המשפחה הזו ולא מוגבל בנפח זיכרון צנוע.

מתאים ל

  • חיזוי סדרות עתיות

    מאפשר הגדרת טווח חיזוי מדויק בקוד ומספק תחזיות ישירות בלי צורך באימון מוקדם על הדאטה.

  • זיהוי חריגות ברצפים

    משתמש ביכולות שחזור הנתונים של המודל כדי לאתר סטיות ואנומליות בזרמי מידע רציפים.

  • השלמת נתונים חסרים

    מבצע שחזור לחלקים מקוטעים או אבודים ברצף על בסיס ההקשר הכללי של הסדרה העתית.

איפה זה נופל

הכרטיס מדגיש את התמיכה בפייתון 3.11 ומציין שתמיכה בגרסאות אחרות עדיין בעבודה, כך ששילוב בסביבות עבודה קיימות עשוי לדרוש התאמות תלויות. בנוסף, חבילת הקוד והמחקר המלאים סביב קדם האימון עדיין לא שוחררו במלואם לפי התיעוד, מה שמקשה על הבנה עמוקה של אופי הנתונים שעליהם המודל אומן וההטיות הפוטנציאליות שקיימות בהם.

חיסרון נוסף נובע מגישת הדגם הכללי. ביצועים במצב של אפס דוגמאות על סדרות עתיות עם תנודתיות קיצונית או רעש כבד עלולים לדרוש כוונון ייעודי, ובלי בדיקה קונקרטית מול הדאטה שלכם לא כדאי להסתמך עליו בייצור באופן עיוור.

שאלות
נפוצות

האם אפשר להשתמש במודל הזה ישירות במוצר מסחרי?

כן, רישיון ה־MIT מאפשר שימוש מסחרי מלא כולל שילוב במוצר סגור. כל מה שנדרש זה לכלול את עותק הרישיון והקרדיט של החוקרים.

האם המודל דורש אימון על הנתונים שלי לפני שרואים תוצאות?

לא, הוא מתוכנן לתפקד מיד כמודל בסיס בלי דוגמאות מוקדמות. אם התוצאות לא מדויקות מספיק למקרה הספציפי, אפשר לבצע כוונון עדין על המידע שלכם.

איך מריצים

ההרצה דורשת סביבת פייתון 3.11 ואת חבילת momentfm שמתקינים ישירות דרך פיפ או ממאגר הגיטהאב של הפרויקט. הקבצים שוקלים כ־2.6 ג'יגה בייט, כך שכל כרטיס מסך מודרני עם שמונה ג'יגה זיכרון יחזיק אותו בקלות גם בלי אופטימיזציות מיוחדות. אפשר לטעון אותו ישירות דרך טרנספורמרס ולהגדיר באתחול את אורך החלון לחיזוי או את כמות המחלקות לסיווג.

הגרסאות הקטנות יותר בסדרה יתאימו למי שמוכרח לרוץ על מעבדים פשוטים או מחשבי קצה חלשים, אבל אם יש לכם גישה למעבד גרפי סביר אין סיבה להתפשר. לא מדובר במודל ענק שמחייב שירות ענן חיצוני, ככה שעדיף להריץ אותו ישירות אצלכם בתשתית ולחסוך זמני השהיה של רשת.

from transformers import pipeline

pipe = pipeline("time-series-forecasting", model="AutonLab/MOMENT-1-large")
print(pipe("שלום"))

הקבצים

5 קבצים במאגר, 2.6 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הרישיון הוא רישיון MIT פתוח לחלוטין. מותר להשתמש בו לצרכים מסחריים, לשנות את הקוד והמשקולות, להפיץ אותו מחדש ולשלב אותו במוצרים סגורים בלי תמלוגים. התנאי היחיד הוא שמירת הודעת זכויות היוצרים ונוסח הרישיון המקורי בקבצים.

  • שימוש מסחרי
  • שינוי הקוד
  • הפצה מחדש

הרישיון המלא בעמוד המודל ↗