FoMoTSF – Comment prédire le futur à moindre coût ?

La prévision de séries temporelles est au cœur de nombreuses analyses, qu’il s’agisse de prévoir le comportement d’un système ou de mettre en place une maintenance prédictive pour détecter et anticiper les anomalies. Pourtant, prédire des valeurs futures demeure une tâche complexe, voire pratiquement impossible dans certains domaines. Aujourd’hui, les approches statistiques et celles basées sur le machine learning sont largement utilisées et offrent une fiabilité relative dans la prévision des valeurs futures. Cependant, compte tenu de la complexité de nombreux scénarios, notamment dans le domaine industriel, les méthodes statistiques atteignent rapidement leurs limites, tandis que les techniques de machine learning n’exploitent pas toujours pleinement leur potentiel, en raison notamment des coûts élevés liés à l’acquisition et au traitement des données d’entraînement nécessaires.

Depuis quelques années, la mode est aux modèles dits de fondation, notamment dans les domaines du traitement du langage naturel (NLP) et de la vision par ordinateur, avec des modèles tels que GPT ou DALL-E. Ces modèles de grande taille, entraînés sur une grande quantité de données, sont conçus pour être adaptés à un large éventail de tâches. Dans le domaine des séries temporelles, les modèles de fondation commencent également à trouver leur place.

Le projet FoMoTSF, acronyme de « Foundation Models for Time Series Forecasting », a pour premier objectif d’évaluer les performances des modèles de fondation appliqués à la prévision de séries temporelles, en particulier sur des cas d’utilisation industriels spécifiques. Pour ce faire, une librairie open-source complète avec le nom onTime a déjà été développée, permettant de réaliser un benchmark de manière rapide, fiable et universelle les modèles de prévision de séries temporelles sur des données aussi bien publiques que privée. À ce jour, cette librairie a permis d’évaluer et comparer deux des principaux modèles de fondation, en compétition avec d’autres méthodes de référence, qu’elles soient statistiques ou basées sur le machine learning. Par ailleurs, d’autres modèles de fondation sont en cours d’intégration et d’évaluation.

Dans un second temps, le projet FoMoTSF a pour ambition d’améliorer le modèle de fondation existant le plus performant et le plus adapté, afin de l’exploiter dans des cas d’utilisation industriels réels. La concrétisation de cet objectif démontrerait les avantages de l’utilisation d’un tel modèle dans des applications industrielles, où la demande pour des prévisions fiables à moindre coût est particulièrement forte.