Large Language Models ในการวิเคราะห์ Time Series

การวิเคราะห์ time series หรือในภาษาไทยคือ “อนุกรมเวลา” คือข้อมูลที่เปลี่ยนแปลงไปตามเวลาซึ่งจะถูกเก็บรวบรวมเป็นช่วงเวลาอย่างต่อเนื่อง ทุกชั่วโมง ทุกวัน ทุกเดือน หรือทุกปี เช่นราคาหุ้นยอดขายสินค้า อุณหภูมิ หรือจำนวนผู้เข้าชมเว็บไซต์ในแต่ละวัน 

Time series analysis เป็นองค์ประกอบสำคัญในหลากหลายสาขา ไม่ว่าจะเป็นการเงิน, สุขภาพ, และวิทยาศาสตร์สิ่งแวดล้อม ความสามารถในการตรวจจับความผิดปกติและการคาดการณ์แนวโน้มในอนาคตส่งผลอย่างมากต่อกระบวนการตัดสินใจ เมื่อไม่นานมานี้ Large Language Models (LLMs) อย่างเช่น GPT-4 และ Claude 3 ได้แสดงถึงศักยภาพในการจัดการกับงานวิเคราะห์ข้อมูลที่ซับซ้อน บทความนี้จะพูดถึงประสิทธิภาพของ LLMs เหล่านี้ในการวิเคราะห์ข้อมูล time series โดยเน้นไปที่ความแม่นยำและความน่าเชื่อถือ

Spike Analysis คืออะไร?

Spike analysis ในบริบทของข้อมูล time series เกี่ยวข้องกับการระบุการเปลี่ยนแปลงที่ฉับพลันและมีนัยสำคัญของข้อมูลในช่วงระยะเวลาหนึ่ง spike เหล่านี้สามารถบ่งชี้ถึงความผิดปกติ อย่างเหตุการณ์ที่ไม่คาดคิดหรือข้อผิดพลาดในกระบวนการเก็บรวบรวมข้อมูล ตัวอย่างเช่น ในตลาดการเงิน spike อาจหมายถึงการเพิ่มขึ้นหรือลดลงอย่างฉับพลันของราคาหุ้นเนื่องจากเหตุการณ์ในตลาด การตรวจจับ spike เหล่านี้อย่างแม่นยำเป็นสิ่งสำคัญสำหรับการตัดสินใจอย่างทันท่วงทีและการตรวจจับความผิดปกติ

มีการทำ Spike Analysis สองประเภท: 50% Spike Analysis และ 90% Spike Analysis แต่ละประเภทแสดงถึงขนาดของค่า spike เมื่อเทียบกับจุดข้อมูล time series ที่เหลือ

การวิเคราะห์ Spike 50%

การวิเคราะห์ Spike 50% มักจะเกี่ยวข้องกับการระบุค่าใน time series ที่มีค่าที่เพิ่มขึ้นอย่างน้อย 50% เมื่อเทียบกับค่าก่อนหน้า หรือค่าอ้างอิง วิธีนี้มีประโยชน์ในการตรวจจับการเปลี่ยนแปลงที่มีความสำคัญแต่ไม่ถึงขั้นรุนแรง เช่น ในข้อมูลราคาหุ้น การเพิ่มขึ้น 50% อาจบ่งบอกถึงการเปลี่ยนแปลงที่สำคัญแต่ไม่ถึงกับรุนแรง

การวิเคราะห์ Spike 90%

การวิเคราะห์ Spike 90% เกี่ยวข้องกับการระบุจุดที่มีค่าที่เพิ่มขึ้นอย่างน้อย 90% เมื่อเทียบกับค่าก่อนหน้าหรือค่าอ้างอิง เทคนิคนี้ใช้ในการตรวจจับการเปลี่ยนแปลงที่รุนแรงมากขึ้นหรือความผิดปกติในข้อมูล การเพิ่มขึ้นอย่างมากมักบ่งบอกถึงเหตุการณ์ที่สำคัญ เช่น การเปลี่ยนแปลงทางเศรษฐกิจครั้งใหญ่ ภัยพิบัติทางธรรมชาติ หรือการเปลี่ยนแปลงที่สำคัญในพฤติกรรมของผู้บริโภค
‍

ผลการทดสอบ

ข้อมูลเชิงเปรียบเทียบ:

• Claude 3 ทำงานได้ดีกว่า GPT-4 Turbo อย่างสม่ำเสมอทั้งในสถานการณ์ 50% Spike และ 90% Spike
• Claude 3 แสดงให้เห็นถึงการปรับปรุงความแม่นยำด้วยจำนวน dataset ที่เพิ่มขึ้นภายใต้สถานการณ์ 50% Spike จนถึงจุดหนึ่ง (208 dataset) ในขณะที่ GPT-4 Turbo แสดงให้เห็นถึงการลดลงอย่างมากของความแม่นยำเมื่อขนาด dataset เพิ่มขึ้น
• ภายใต้สถานการณ์ 90% Spike Claude 3 รักษาความแม่นยำสูงในขนาด dataset ที่แตกต่างกัน ในขณะที่ GPT-4 Turbo ยังคงอยู่ที่ 40.5% ความแม่นยำ ซึ่งแสดงให้เห็นว่าไม่ได้รับประโยชน์จากข้อมูลที่เพิ่มขึ้น
• ประสิทธิภาพของ Claude 3 มีความเสถียรและดีกว่าโดยรวม โดยเฉพาะอย่างยิ่งในสถานการณ์ 90% Spike ในขณะที่ประสิทธิภาพของ GPT-4 Turbo มีความผันผวนสูงและต่ำกว่าโดยทั่วไป

โดยสรุป Claude 3 แสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่าและสม่ำเสมอมากขึ้นในขนาด dataset และสภาวะ spike ที่แตกต่างกันเมื่อเทียบกับ GPT-4 Turbo

บทสรุป

งานวิจัยที่ดำเนินการโดย Arize ให้ข้อมูลเชิงลึกที่มีค่าเกี่ยวกับประสิทธิภาพของ LLMs ในการวิเคราะห์ time series Claude 3 แสดงให้เห็นถึงความแม่นยำและความทนทานที่เหนือกว่าเมื่อเทียบกับ GPT-4 Turbo โดยเฉพาะอย่างยิ่งในการตรวจจับความผิดปกติที่สำคัญ แม้ว่าทั้งสองโมเดลจะแสดงให้เห็นถึงความสามารถ แต่ยังต้องมีการปรับปรุงเพิ่มเติมเพื่อเพิ่มขีดความสามารถทางคณิตศาสตร์และรับประกันความน่าเชื่อถือในการประยุกต์ใช้งานจริง 

โดยเฉพาะอย่างยิ่งเมื่อการวิเคราะห์เหล่านี้สามารถทำได้ด้วยอัลกอริธึมแบบดั้งเดิมที่มีความแม่นยำ 100% ในขณะที่ LLMs ยังคงต้องพัฒนาต่อไป ศักยภาพของพวกเขาในการวิเคราะห์ time series และงานข้อมูลที่ซับซ้อนอื่นๆ จะขยายตัวอย่างต่อเนื่อง เปิดโอกาสใหม่ๆ สำหรับนวัตกรรมและการตัดสินใจ

ทาง Amity Solutions ก็มีบริการ generative AI ที่ช่วยเพิ่มประสิทธิภาพการดำเนินงานเช่นกัน ปรึกษาผู้เชี่ยวชาญของเราได้ที่นี่