Realiza la previsión de series temporales

La función ai.forecast en AlloyDB para PostgreSQL te permite ejecutar predicciones de previsión de series temporales directamente en los datos de tu base de datos con SQL. Puedes registrar y llamar a modelos de previsión, como TimesFM, o cualquier modelo registrado con el tipo de modelo ts_forecasting para predecir tendencias futuras a partir de datos históricos. Para obtener más información sobre la arquitectura de TimesFM, consulta el blog de investigación de TimesFM.

Antes de comenzar

Antes de realizar la previsión de series temporales, debes habilitar la función de previsión en AlloyDB y registrar un modelo.

Nota: AlloyDB no cobra por las llamadas a funciones de IA. Sin embargo, cuando llamas a Gemini Enterprise Agent Platform, a terceros o a modelos y servicios autoalojados (como para la búsqueda híbrida) desde tu base de datos, el proveedor del modelo o de la infraestructura te cobra directamente. Para obtener más información sobre los costos de Gemini Enterprise Agent Platform, consulta Precios.

Registra un modelo de previsión

Puedes usar varios modelos de previsión con AlloyDB.

En esta sección, se proporcionan instrucciones para registrar el modelo TimesFM. Para obtener instrucciones sobre cómo registrar otros modelos, consulta Registra un extremo de modelo con la administración de extremos de modelos.

Usa el modelo TimesFM

Los modelos TimesFM vienen en dos versiones:

• TimesFM 1.0: Es la versión inicial del modelo TimesFM.
• TimesFM 2.0: Esta versión contiene un punto de control de parámetros de 500 M con su código de inferencia. Ofrece un mejor rendimiento del modelo en comparación con el modelo 1.0.
• TimesFM 2.5: Esta versión contiene un punto de control de parámetros de 200 M con su código de inferencia. Ofrece un mejor rendimiento del modelo en comparación con el modelo 2.0.

Todos los modelos están disponibles en Model Garden para una implementación rápida.

Para usar los modelos TimesFM, primero debes implementarlos en un extremo de Gemini Enterprise Agent Platform y, luego, registrarlos en AlloyDB.

Implementa el modelo TimesFM en un extremo de Agent Platform

Puedes implementar el modelo con una implementación con un clic desde la Google Cloud consola o de forma manual con un notebook de Colaboratory.

Implementación con un solo clic

Para implementar el modelo TimesFM con una implementación con un clic, sigue estos pasos:

1. En la Google Cloud consola, ve a la página Model Garden:

   Ir a Model Garden
2. En el campo Buscar, ingresa TimesFM.
3. En los resultados de la búsqueda, haz clic en TimesFM.

4. En la página TimesFM, completa los siguientes pasos:

5. Haz clic en Implementar modelo.
6. Selecciona Agent Platform.

7. En el panel Implementar en Agent Platform, configura e implementa tu modelo:

   1. Para usar la versión más reciente del modelo TimesFM, en el menú desplegable ID de recurso, selecciona google/timesfm-2.0.
   2. Para que sea más fácil identificar la implementación más adelante, ingresa lo siguiente:
      1. En Nombre del modelo, un MODEL_NAME único.
      2. En Nombre del extremo, un ENDPOINT_NAME único.
   3. Para expandir las opciones de configuración, en Configuración de implementación, haz clic en Avanzado.
      1. Para garantizar la latencia más baja posible, en el menú desplegable Región, selecciona la misma región en la que se encuentra tu instancia de AlloyDB.
      2. Para obtener el mejor rendimiento, en el menú desplegable Especificación de la máquina, selecciona una especificación de máquina adecuada. Ten en cuenta que una GPU o TPU podría ofrecer una latencia más baja.

   4. En el menú desplegable Acceso al extremo de Políticas de disponibilidad, selecciona Público (extremo compartido).

      Esto crea un extremo en el dominio aiplatform que funciona con AlloyDB.

   5. Para implementar el modelo en un extremo administrado, haz clic en Implementar. La implementación puede tardar entre 10 y 15 minutos.
8. Después de implementar el modelo TimesFM, aparecerá un vínculo similar a google_timesfm-VERSION-one-click-deploy en Extremos.
9. Para obtener la URL de solicitud del modelo, en Extremos, haz clic en el vínculo de implementación.
10. En la página de detalles del extremo, haz clic en Solicitud de muestra.

11. En el panel Solicitud de muestra, busca y toma nota de la URL de solicitud del modelo. Usarás esta información para registrar el modelo TimesFM en AlloyDB, por ejemplo, https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict.

    Asegúrate de que la URL de la solicitud tenga aiplatform.googleapis.com.

Implementación manual

Para implementar manualmente el modelo TimesFM con un notebook de Colaboratory, sigue estos pasos:

1. Navega a la página Model Garden en la Google Cloud consola:

   Ir a Model Garden
2. En el campo Buscar, ingresa TimesFM.
3. En los resultados de la búsqueda, haz clic en TimesFM para abrir la tarjeta del modelo.
4. En la página TimesFM, haz clic en CO Open Notebook.
5. En la ventana Abrir notebook, haz clic en el vínculo Collab Enterprise para TimesFM 2.0.

6. En la página Collab Enterprise, completa los siguientes pasos:

   1. Para establecer una conexión con el entorno de ejecución, haz clic en Conectar.

   2. Opcional: Si es necesario, completa los siguientes pasos:

      • En la sección Requisitos previos de Configurar el proyecto de Google Cloud, establece BUCKET_URI y REGION. Por ejemplo, establece BUCKET_URI en gs://your-unique-bucket-name y REGION en us-central1.

        Nota: El nombre del bucket debe ser único a nivel global. Si no estableces una región, se configura automáticamente según el entorno de Colab Enterprise.
      • En el menú desplegable accelerator_type de Implementar TimesFM en un extremo de Vertex AI, selecciona un tipo de acelerador diferente si es necesario.
      • En Paso 3: Establece el horizonte de previsión máximo, completa los campos horizon y max_context. Por ejemplo, establece horizon en 128 y max_context en 512.
   3. Anula la selección de la casilla de verificación use_dedicated_endpoint.
   4. Ejecuta todas las celdas del notebook.

   El resultado del notebook proporciona los detalles del extremo en el siguiente formato: projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID.

7. Para construir la model_request_url para la llamada de creación del modelo SQL, reemplaza los identificadores del proyecto y del extremo por los detalles del extremo del paso anterior de la siguiente manera:

   CALL google_ml.create_model(
    model_id => 'timesfm_v2',
    model_qualified_name => 'timesfm_v2',
    model_type => 'ts_forecasting',
    model_provider => 'google',
    model_request_url => 'https://REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict');

   Necesitas esta model_request_url en la llamada the google_ml.create_model cuando registras el modelo TimesFM en AlloyDB, como se describe en la siguiente sección.

8. Para confirmar que la función ai.forecast funciona según lo previsto, ejecuta la siguiente consulta de muestra:

   SELECT * FROM ai.forecast(
      source_query=> '
        SELECT my_timestamp, my_data_value FROM (
          VALUES
            (CAST(''2025-01-01'' AS TIMESTAMP), 10.0),
            (CAST(''2025-01-02'' AS TIMESTAMP), 12.0),
            (CAST(''2025-01-03'' AS TIMESTAMP), 11.0),
            (CAST(''2025-01-04'' AS TIMESTAMP), 13.0),
            (CAST(''2025-01-05'' AS TIMESTAMP), 15.0),
            (CAST(''2025-01-06'' AS TIMESTAMP), 14.0),
            (CAST(''2025-01-07'' AS TIMESTAMP), 16.0),
            (CAST(''2025-01-08'' AS TIMESTAMP), 18.0),
            (CAST(''2025-01-09'' AS TIMESTAMP), 17.0),
            (CAST(''2025-01-10'' AS TIMESTAMP), 20.0)
          ) AS t (my_timestamp, my_data_value)
        ' ,
      model_id => 'timesfm_v2',
      data_col => 'my_data_value',
      timestamp_col => 'my_timestamp',
   
      -- The rest of the parameters are the same
      horizon => 7,
      conf_level => 0.80
   );

Registra el modelo TimesFM en AlloyDB

Para registrar el modelo TimesFM en AlloyDB, sigue estos pasos:

1. Verifica que la extensión google_ml_integration esté instalada en la base de datos de AlloyDB que contiene los datos en los que deseas ejecutar predicciones.

2. Confirma que tienes instalada la versión 1.4.5 o posterior de la extensión google_ml_integration.

   SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
   

   El siguiente es el resultado de muestra:

   extversion
   ------------
   1.4.5
   (1 row)
   

3. Llama a google_ml.create_model con la URL de solicitud del modelo que anotaste en Registra un modelo de previsión.

   CALL
   google_ml.create_model(
     model_id => 'MODEL_ID',
     model_qualified_name => 'MODEL_QUALIFIED_NAME',
     model_type => 'ts_forecasting',
     model_provider => 'google',
     model_request_url => 'https://REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict' -- Example endpoint from Model Garden
     );
   

   Reemplaza lo siguiente:

   • MODEL_ID: Es un identificador único para el modelo registrado que deseas usar para la previsión, por ejemplo, vertex_timesfm.
   • MODEL_QUALIFIED_NAME: Es un nombre definido por el usuario para el modelo, por ejemplo, timesfm_v2.
   • REGION: Es la región en la que se coloca la instancia, por ejemplo, us-central1.
   • PROJECT_ID: Es el nombre del proyecto en el que se implementa el modelo, por ejemplo, forecast_project.

   • ENDPOINT_ID: Es el nombre de la implementación del modelo, por ejemplo, my-timesfm-endpoint.

     Agent Platform proporciona la model_request_url después de implementar el modelo. Copia toda la URL del panel Solicitud de muestra en la consola de Agent Platform. Ya contiene la información correcta del proyecto y del extremo.

   Nota: Si tu instancia de AlloyDB está en un proyecto Google Cloud diferente al extremo del modelo de Agent Platform, asegúrate de que la cuenta de servicio de AlloyDB tenga el rol de usuario de Vertex AI, que es roles/aiplatform.user, en el proyecto en el que se aloja el modelo de Agent Platform.

Genera previsiones

Después de registrar el modelo TimesFM y habilitar la marca necesaria, puedes generar previsiones pasando una tabla o consulta de origen con tus datos de series temporales.

La función ai.forecast se documenta por separado. Para obtener una lista completa de los parámetros, incluidas sus descripciones y ejemplos, consulta la referencia de la administración de extremos de modelos.

Genera previsiones a partir de una tabla de origen

En el siguiente ejemplo, se muestra cómo llamar a la función ai.forecast con una tabla de origen para generar predicciones:

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_table => 'time_series_data',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

Genera previsiones a partir de una consulta

En el siguiente ejemplo, se muestra cómo generar previsiones llamando a la función ai.forecast con una subconsulta como fuente de datos:

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_query => 'SELECT * FROM time_series_data ORDER BY timestamp LIMIT 10',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

Usa otros modelos de previsión

Puedes usar la función ai.forecast con cualquier otro modelo de previsión de series temporales que registres en AlloyDB. La clave es asegurarte de que tu modelo esté registrado con el tipo de modelo ts_forecasting.

Para obtener instrucciones detalladas sobre cómo registrar diferentes tipos de modelos, consulta Registra y llama a modelos de IA remotos con la administración de extremos de modelos. Una vez que se registre tu modelo, puedes usarlo con la función ai.forecast especificando su model_id.

¿Qué sigue?

• Registra un extremo de modelo con la administración de extremos de modelos.

• Realiza consultas con operadores de SQL potenciados por IA.