AutoMLを学ぶ (Japanese Edition)

第9章 AutoGluon による時系列 予測

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

需要予測の不備がもたらす壊滅的な影響を初めて目の当たりにした時のことを、今でも覚えている。2015年のことだ。当時、私は急成長中のEC企業に勤めていたが、売上は過去最高を記録していたにもかかわらず、資金は急速に枯渇しつつあった。倉庫は売れ残った季節商品で溢れかえっている一方で、ベストセラー商品は常に品切れ状態だった。 配送期間が数日から数週間に延びたことで、顧客満足度は急落した。根本的な原因とは？同社の予測システムは洗練度が高かったが、移動平均や経営陣の直感に依存した、ほとんど当て推量に基づいたものだったのだ。

同社のアナリティクスチームのメンバーは、思いつく限りの手を尽くしていた。ARIMAモデルを実装したが、自社のビジネスにおける複雑な季節性を捉えきれなかった。ニューラルネットワークも試したが、過去のパターンに過学習してしまい、COVID-19によって従来の購買振る舞いが崩壊した際には見事に失敗した。これは典型的なレジームシフトのシナリオであり、根本的なパターンが劇的に変化し、過去の関係性が無効になる状況だ。 COVID-19が発生した際、彼らは構造的ブレークの検出を実施し、旧モデルが適用できなくなった時点を特定すべきだった。十分な観測データが蓄積され次第、ポストCOVIDのデータを用いて迅速に再学習を行い、移動データ、感染者数、政府の発表といった外部シグナルを先行指標として組み込むべきだった。これらの機能は、本章の後半で説明する共変量回帰器や監視機能と直接結びついている。いずれのアプローチも、数ヶ月の開発期間、専門的な知識、そして入念なチューニングを必要としたが、単純なベースラインに比べてわずかな改善しか得られなかった。

私が最も衝撃を受けたのは、同社がビジネスの理解や意思決定の改善ではなく、予測の技術的な仕組みにどれほど多くの時間と労力を費やしていたかという点だ。データサイエンティストたちは顧客の振る舞いを分析する代わりに、モデルの収束問題のデバッグに追われていた。ドメインエキスパートたちは、ビジネス仮説を迅速に検証する代わりに、モデルの更新を何週間も待たされていた。

現在、その同社はAutoGluonのTimeSeriesPredictorを活用し、従来のシステムを常に上回る予測を生成している。しかも、開発工数はごくわずかだ。かつてチームが構築とデプロイに数ヶ月を要していた作業が、今では数時間で完了する。さらに重要なのは、その予測システムが、絶え間ない手動介入を必要とせずに、変化するパターンに自動的に適応し、新しい情報を組み込んでいる点だ。

この章では、AutoGluonが時系列予測を、複雑で専門家主導のプロセスから、誰もが習得できるアクセシビリティの高い機能へとどのように変換したかを探っていく。時系列データ特有の基礎概念から、ゼロショット予測を通じて最先端の精度を実現するChronos-Bolt基盤モデルといった最新のブレークスルーまで、あらゆる内容を網羅する。

注

本章のすべてのコード例はテストおよび妥当性確認済みだ。完全な実装、詳細な出力、実験的なバリエーション、および追加の高度なテクニックについては、付属のJupyterノートブックChapter9.ipynbを参照のこと。

時系列予測の課題を理解する

時系列予測 は、機械学習の最も困難なアプリケーションの一つである。なぜなら、時系列データは、ほとんどの機械学習の根底にある「観測値は独立している」という基本的な仮定に反するからだ。従来の表形式データでは、各行は独立したサンプルを表しており、学習しようとしている関係に影響を与えることなく並べ替えることができる。一方、時系列データは順序が重要であり、昨日の出来事が今日の結果に影響を与え、パターンが変化していくという物語を語る。 ...