Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Effectuer des prévisions de séries temporelles

Cette page explique comment effectuer des prédictions de séries temporelles directement dans votre base de données AlloyDB. Vous pouvez utiliser différents modèles de prévision, y compris les modèles TimesFM, pour vous aider à faire face à l'incertitude et à prendre des décisions stratégiques éclairées. Pour en savoir plus sur le modèle, consultez le blog de recherche TimesFM.

La fonction ai.forecast d'AlloyDB est conçue pour fonctionner avec n'importe quel modèle enregistré avec le type de modèle ts_forecasting, ce qui vous permet d'utiliser le modèle le mieux adapté à vos besoins. Ce document fournit un guide détaillé sur l'utilisation de TimesFM, mais vous pouvez également appliquer les principes à d'autres modèles.

Avant de commencer

Avant de pouvoir effectuer des prévisions de séries temporelles, vous devez activer la fonctionnalité de prévision dans AlloyDB et enregistrer un modèle.

Enregistrer un modèle de prévision

Vous pouvez utiliser différents modèles de prévision avec AlloyDB.

Cette section fournit des instructions pour enregistrer le modèle TimesFM. Pour savoir comment enregistrer d'autres modèles, consultez Enregistrer un point de terminaison de modèle avec la gestion des points de terminaison de modèle.

Utiliser le modèle TimesFM

Les modèles TimesFM sont disponibles en deux versions :

TimesFM 1.0 : version initiale du modèle TimesFM.
TimesFM 2.0 : cette version contient un point de contrôle de 500 millions de paramètres avec son code d'inférence. Il offre de meilleures performances que le modèle 1.0.
TimesFM 2.5 : cette version contient un point de contrôle de 200 millions de paramètres avec son code d'inférence. Il offre de meilleures performances que le modèle 2.0.

Tous les modèles sont disponibles dans Model Garden pour un déploiement rapide.

Pour utiliser les modèles TimesFM, vous devez d'abord déployer le modèle TimesFM sur un point de terminaison Gemini Enterprise Agent Platform, puis l'enregistrer dans AlloyDB.

Déployer le modèle TimesFM sur un point de terminaison Agent Platform

Vous pouvez déployer le modèle en un clic depuis la console Google Cloud ou manuellement à l'aide d'un notebook Colaboratory.

Déploiement en un clic

Pour déployer le modèle TimesFM en un clic, procédez comme suit :

Dans la console Google Cloud , accédez à la page Model Garden :
Accéder à Model Garden
Dans le champ Rechercher, saisissez TimesFM.
Dans les résultats de recherche, cliquez sur TimesFM.
Sur la page TimesFM, procédez comme suit :
Cliquez sur Déployer le modèle.
Sélectionnez Agent Platform.
Dans le volet Déployer sur Agent Platform, configurez et déployez votre modèle :
1. Pour utiliser la dernière version du modèle TimesFM, sélectionnez google/timesfm-2.0 dans le menu déroulant ID de ressource.
2. Pour identifier plus facilement le déploiement par la suite, saisissez ce qui suit :
  1. Dans Nom du modèle, un MODEL_NAME unique.
  2. Dans le champ Nom du point de terminaison, saisissez un ENDPOINT_NAME unique.
3. Pour développer les options de configuration, dans Paramètres de déploiement, cliquez sur Avancé.
  1. Pour minimiser la latence, sélectionnez dans le menu déroulant Région la même région que celle où se trouve votre instance AlloyDB.
  2. Pour obtenir les meilleures performances, sélectionnez une spécification de machine appropriée dans le menu déroulant Spécification de la machine. Notez qu'un GPU ou un TPU peut offrir une latence plus faible.
4. Dans le menu déroulant Accès au point de terminaison de Règles de disponibilité, sélectionnez Public (point de terminaison partagé).
  
  Cela crée un point de terminaison dans le domaine aiplatform qui fonctionne avec AlloyDB.
5. Pour déployer le modèle sur un point de terminaison géré, cliquez sur Déployer. Le déploiement peut prendre environ 10 à 15 minutes.
Une fois le modèle TimesFM déployé, un lien semblable à google_timesfm-VERSION-one-click-deploy s'affiche dans Points de terminaison.
Pour obtenir l'URL de la requête du modèle, cliquez sur le lien de déploiement dans Points de terminaison.
Sur la page d'informations du point de terminaison, cliquez sur Exemple de requête.
Dans le volet Exemple de requête, recherchez l'URL de la requête de modèle et notez-la. Vous utiliserez ces informations dans Enregistrer le modèle TimesFM dans AlloyDB (par exemple, https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict).

Assurez-vous que l'URL de la requête contient aiplatform.googleapis.com.

Déploiement manuel

Pour déployer manuellement le modèle TimesFM à l'aide d'un notebook Colaboratory, procédez comme suit :

Accédez à la page Model Garden dans la console Google Cloud :
Accéder à Model Garden
Dans le champ Rechercher, saisissez TimesFM.
Dans les résultats de recherche, cliquez sur TimesFM pour ouvrir la fiche du modèle.
Sur la page TimesFM, cliquez sur CO Open Notebook.
Dans la fenêtre Ouvrir le notebook, cliquez sur le lien Colab Enterprise pour TimesFM 2.0.
Sur la page Colab Enterprise, procédez comme suit :
1. Pour établir une connexion à l'environnement d'exécution, cliquez sur Connecter.
2. Facultatif : Si nécessaire, procédez comme suit :
  - Dans la section Conditions préalables de Configurer un projet Google Cloud, définissez BUCKET_URI et REGION. Par exemple, définissez BUCKET_URI sur gs://your-unique-bucket-name et REGION sur us-central1.
    
    Remarque : Le nom du bucket doit être unique. Si vous ne définissez pas de région, elle est définie automatiquement en fonction de l'environnement Colab Enterprise.
  - Dans le menu déroulant accelerator_type de Déployer TimesFM sur un point de terminaison Vertex AI, sélectionnez un autre type d'accélérateur si nécessaire.
  - Dans l'étape 3 : Définissez l'horizon de prévision maximal, remplissez les champs horizon et max_context. Par exemple, définissez horizon sur 128 et max_context sur 512.
3. Décochez la case use_dedicated_endpoint.
4. Exécutez toutes les cellules du notebook.
Le résultat du notebook fournit les détails du point de terminaison au format suivant : projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID.
Pour construire le model_request_url pour l'appel de création du modèle SQL, remplacez les identifiants de projet et de point de terminaison par les détails du point de terminaison de l'étape précédente, comme suit :
```
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');
```
Vous aurez besoin de ce model_request_url dans l'appel the google_ml.create_model lorsque vous enregistrerez le modèle TimesFM dans AlloyDB, comme décrit dans la section suivante.

Pour vérifier que la fonction ai.forecast fonctionne comme prévu, exécutez l'exemple de requête suivant :

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
);

Enregistrer le modèle TimesFM dans AlloyDB

Pour enregistrer le modèle TimesFM dans AlloyDB, procédez comme suit :

Vérifiez que l'extension google_ml_integration est installée dans la base de données AlloyDB contenant les données sur lesquelles vous souhaitez exécuter des prédictions.
Vérifiez que la version 1.4.5 ou ultérieure de l'extension google_ml_integration est installée.
```
SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
```
Voici un exemple de résultat :
```
extversion
------------
1.4.5
(1 row)
```
Appelez google_ml.create_model à l'aide de l'URL de requête du modèle que vous avez notée dans Enregistrer un modèle de prévision.
```
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
  );
```
Remplacez les éléments suivants :
- MODEL_ID : identifiant unique du modèle enregistré que vous souhaitez utiliser pour les prévisions (par exemple, vertex_timesfm).
- MODEL_QUALIFIED_NAME : nom défini par l'utilisateur pour le modèle, par exemple timesfm_v2.
- REGION : région où l'instance est placée, par exemple us-central1.
- PROJECT_ID : nom du projet dans lequel le modèle est déployé (par exemple, forecast_project).
- ENDPOINT_ID : nom du déploiement du modèle, par exemple my-timesfm-endpoint.
  
  model_request_url est fourni par Agent Platform une fois votre modèle déployé. Copiez l'URL complète du volet Exemple de requête dans la console Agent Platform. Il contient déjà les informations correctes sur le projet et le point de terminaison.
Remarque : Si votre instance AlloyDB se trouve dans un projet Google Cloud différent de celui du point de terminaison du modèle Agent Platform, assurez-vous que le rôle Utilisateur Vertex AI (roles/aiplatform.user) est attribué au compte de service AlloyDB dans le projet où le modèle Agent Platform est hébergé.

Générer des prévisions

Après avoir enregistré le modèle TimesFM et activé le flag nécessaire, vous pouvez générer des prévisions en transmettant une table ou une requête source avec vos données de série temporelle.

La fonction ai.forecast est documentée séparément. Pour obtenir la liste complète des paramètres, y compris leurs descriptions et des exemples, consultez la documentation de référence sur la gestion des points de terminaison de modèle.

Générer des prévisions à partir d'un tableau source

L'exemple suivant montre comment appeler la fonction ai.forecast à l'aide d'une table source pour générer des prédictions :

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
);

Générer des prévisions à partir d'une requête

L'exemple suivant montre comment générer des prévisions en appelant la fonction ai.forecast à l'aide d'une sous-requête comme source de données :

SELECT * FROM ai.forecast(
    model_id => 'MODEL_ID',
    source_query => '(SELECT * FROM time_series_data ORDER BY timestamp LIMIT 1) AS time_series_data',
    data_col => 'data_points',
    timestamp_col => 'timestamp',
    horizon => 2,
    conf_level => 0.80
);

Utiliser d'autres modèles de prévision

Vous pouvez utiliser la fonction ai.forecast avec n'importe quel autre modèle de prévision de séries temporelles que vous enregistrez dans AlloyDB. L'essentiel est de s'assurer que votre modèle est enregistré avec le type de modèle ts_forecasting.

Pour obtenir des instructions détaillées sur l'enregistrement de différents types de modèles, consultez Enregistrer et appeler des modèles d'IA distants à l'aide de la gestion des points de terminaison de modèle. Une fois votre modèle enregistré, vous pouvez l'utiliser avec la fonction ai.forecast en spécifiant son model_id.