BigQuery에서 다변량 시계열 예측을 지원하는 TimesFM 3.0 소개

*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 영문 원본을 참고해 주시기 바랍니다.

개요

BigQuery에서  AI.FORECAST를 사용한 제로샷 시계열 예측을 도입한 이후(처음에는 TimesFM 2.0으로 구동되었고 이후 TimesFM 2.5로 업그레이드됨) 커스텀 모델을 학습시키거나 관리할 필요 없이 SQL에서 직접 예측을 생성할 수 있게 되었습니다. 하지만 TimesFM 2.5 이전까지 이러한 파운데이션 모델은 단일 시계열의 기록만으로 미래 값을 예측하는 단변량 예측으로 제한되었습니다. 실제로 대다수의 현실적인 예측 문제는 다변량적 특성을 가집니다. 즉, 관련 타겟과 날씨, 프로모션, 휴일과 같은 외부 요인이 복합적으로 작용하여 미래의 결과를 결정하게 됩니다.

오늘 BigQuery에서 TimesFM 3.0의 프리뷰 버전을 발표하게 되어 기쁩니다. Google 연구팀에서 개발한 TimesFM 3.0은 3억 3천만 개의 파라미터를 갖춘 현존 최고 수준의 파운데이션 모델로, BigQuery SQL 내에서 직접 네이티브 다변량 시계열 예측을 수행할 수 있도록 설계되었습니다. TimesFM 3.0은 GIFT-Eval, FEV-Bench, TIME 등 3대 주요 공개 시계열 리더보드에서 모두 1위를 차지했으며, 공변량 및 다변량 예측 태스크 모두에서 기존 파운데이션 모델 대비 최고의 제로샷 정확도를 달성했습니다.

새로운 다변량 기능과 더불어 TimesFM 3.0은 AI.FORECAST를 통한 단변량 예측과 AI.DETECT_ANOMALIES를 통한 이상 감지를 위한 드롭인 업그레이드 기능도 제공합니다. 기존 워크플로는 model => 'TimesFM 3.0'을 지정하기만 하면 더 높은 벤치마크 정확성의 이점을 즉시 누릴 수 있습니다.

새로운 기능: 다변량 파운데이션 모델링

TimesFM 3.0을 통해 BigQuery는 AI.FORECAST를 사용하여 익숙한 SQL 워크플로에 엔터프라이즈급 다변량 모델링 기능을 제공합니다.

BigQuery SQL을 사용한 다변량 예측

이러한 기능이 어떻게 함께 작동하는지 알아보기 위해 NYC Citi Bike 공개 데이터 세트(bigquery-public-data.new_york.citibike_trips)를 사용하여 향후 7일간의 일일 통근자(subscriber_trips) 및 여가용(casual_trips) 자전거 이용 건수를 예측해 보겠습니다.

BigQuery는 두 개의 행 집합을 결합하는 다변량 예측에 단일 테이블 입력 형식을 사용합니다.

• 과거 관측 데이터 행: 시작 시간(2016-01-01)과 예측 기준일(2016-06-01) 사이의 타임스탬프로, 타겟 측정항목, 과거 공변량, 알려진 미래 공변량 데이터가 모두 포함되어 있습니다.

• 미래 예측 기간 행: 7일간의 예측 기간(2016-06-01~2016-06-07)에 해당하는 타임스탬프로, 알려진 미래 공변량 데이터로 채워지는 한편 타겟 열과 과거 전용 공변량은 NULL로 설정됩니다.

이 쿼리는 TimesFM 3.0에서 지원되는 세 가지 다변량 측정기준을 보여줍니다.

1. 상관관계가 있는 타겟 예측(target_cols) 각 라이더 세그먼트에 대해 별도의 모델을 실행하는 대신 TARGET_COLS => ['subscriber_trips', 'casual_trips']를 전달하면 한 번의 호출로 두 측정항목을 공동으로 예측할 수 있습니다. TimesFM 3.0은 통근자와 일반 이용자라는 서로 다른 시계열 간의 역학 관계를 정교하게 포착합니다. 예를 들어, 두 그룹이 공통적으로 날씨에 민감하게 반응하는 양상이나 주말 이용 패턴이 상반되게 나타나는 특징 등을 정확하게 파악해 냅니다.

2. 과거 공변량 활용(past_covariate_cols) 평균 주행 시간(avg_duration_min), 오프라인 매장 방문수, 예기치 못한 서비스 중단과 같이 과거의 기록으로만 확인 가능하며 사전에 알 수 없는 신호들이 있습니다. PAST_COVARIATE_COLS => ['avg_duration_min']을 전달하면(미래 예측 기간 행은 NULL로 설정) 모델이 과거의 맥락을 파악할 수 있습니다. 이를 통해 해당 특성의 미래 값 없이도 일시적인 충격과 근본적인 추세를 명확히 구분해 냅니다.

3. 미래 공변량 활용(future_covariate_cols) 주말(is_weekend), 공휴일, 예정된 프로모션과 같은 외부 요인은 과거 시점뿐만 아니라 미래의 예측 기간에 대해서도 미리 알 수 있는 정보입니다. FUTURE_COVARIATE_COLS => ['is_weekend'](2016-06-07까지 모든 행에 데이터가 채워짐)를 전달하면, TimesFM 3.0이 다가오는 캘린더 일정에 맞춰 7일간의 예측을 직접 조정할 수 있습니다.

출력 이해하기

이 함수는 target_cols에 지정된 각 타겟 열에 대해 구조화된 예측 결과를 반환합니다. target_cols의 각 열에 대해 AI.FORECAST는 포인트 예측(값)과 하한 및 상한 예측 구간 경계를 포함하는 구조체를 반환합니다.

BigQuery 대화형 분석에서 활용하는 TimesFM 3.0

BigQuery 대화형 분석에서 자연어를 사용하여 다변량 예측을 실행할 수도 있습니다. 동일한 bigquery-public-data.new_york.citibike_trips 데이터 세트에서 "2개월간의 과거 데이터를 사용하여 2016년 6월 1~7일의 일일 정기 이용권 사용자와 일반 사용자의 이동을 예측해 줘. 평균 이동 시간은 과거 공변량으로, 주말 지표는 미래 공변량으로 사용해 줘."라고 요청하면 됩니다. 대화형 분석은 TimesFM 3.0을 사용하여 기본 AI.FORECAST 쿼리를 자동으로 생성하고 실행하여 결과 요약, 각 타겟의 예측 구간이 포함된 대화형 예측 차트, 주요 예측 인사이트를 제공합니다.

요약 및 다음 단계

TimesFM 3.0의 기본 다변량 지원을 통해 BigQuery는 데이터 이동, 커스텀 특성 추출 파이프라인 또는 전용 모델 호스팅 인프라 없이도 복잡하고 상호 연결된 엔터프라이즈 데이터 세트에 현존 최고 수준의 파운데이션 모델 예측을 제공합니다.

BigQuery에서 TimesFM 3.0을 사용하여 예측을 시작하는 방법은 다음과 같습니다.

• TimesFM 3.0 모델 아키텍처와 기능에 대해 자세히 알아보려면 Google 연구팀 블로그 게시물을 참고하세요.

• BigQuery TimesFM 문서를 살펴보세요.

• 단계별 다변량 예측 튜토리얼을 따릅니다.

• BigQuery Studio SQL 작업공간에서 직접 `model => 'TimesFM 3.0'` 과 함께 AI.FORECAST를 사용해 보세요.

• BigQuery에서 단변량 시계열 이상 감지를 위해 `model => 'TimesFM 3.0'`과 함께 AI.DETECT_ANOMALIES를 사용해 보세요.

• BigQuery에서 단변량 시계열 평가를 위해 `model => 'TimesFM 3.0'`과 함께 AI.EVALUATE를 사용해 보세요.