Modelos de Fundação para Previsão de Séries Temporais: Um Benchmark do Mundo Real
Métodos tradicionais de previsão de séries temporais, como ARIMA e Prophet, estão sendo desafiados por uma nova geração de "modelos de fundação". Esses modelos visam trazer o poder dos grandes modelos de linguagem (LLMs) para dados de séries temporais, permitindo que um único modelo faça previsões em diversos conjuntos de dados e domínios. Este artigo compara vários modelos de fundação — Amazon Chronos, Google TimesFM, IBM Tiny Time-Mixers e Datadog Toto — com modelos clássicos. Testes com métricas de pods Kubernetes do mundo real revelam que os modelos de fundação se destacam na previsão multivariada, com o Datadog Toto apresentando desempenho particularmente bom. No entanto, ainda existem desafios no tratamento de outliers e padrões novos, e os modelos clássicos mantêm competitividade para cargas de trabalho estáveis. Em última análise, os autores concluem que os modelos de fundação oferecem vantagens significativas para fluxos de dados multivariados em rápida mudança, fornecendo soluções mais flexíveis e escaláveis para equipes modernas de observabilidade e engenharia de plataformas.