ביצוע חיזוי של סדרת זמנים

בחירת גרסה של מאמר העזרה:

בדף הזה מוסבר איך לבצע תחזיות של סדרות עיתיות ישירות במסד הנתונים של AlloyDB Omni. אתם יכולים להשתמש במודלים שונים של חיזוי, כולל מודלים של TimesFM, כדי להתמודד עם חוסר ודאות ולקבל החלטות אסטרטגיות מושכלות. לפרטים נוספים על המודל, קראו את הבלוג של TimesFM.

הפונקציה ai.forecast של AlloyDB Omni מיועדת לעבוד עם כל מודל שרשום עם סוג המודל ts_forecasting, וכך אתם יכולים להשתמש במודל שהכי מתאים לצרכים שלכם. במאמר הזה נסביר בפירוט איך להשתמש ב-TimesFM, אבל אפשר ליישם את העקרונות גם במודלים אחרים.

לפני שמתחילים

כדי לבצע חיזוי של סדרות עתיות, צריך להפעיל את הדגל לניהול מסד נתונים של חיזוי ב-AlloyDB Omni ולרשום מודל חיזוי.

רישום של מודל חיזוי

אפשר להשתמש במודלים שונים של תחזיות עם AlloyDB Omni.

בקטע הזה מוסבר איך לרשום את מודל TimesFM. במאמר רישום נקודת קצה של מודל באמצעות ניהול נקודות קצה של מודלים מוסבר איך רושמים מודלים אחרים.

שימוש במודל TimesFM

מודלים של TimesFM זמינים בשתי גרסאות:

  • ‫TimesFM 1.0: הגרסה הראשונית של מודל TimesFM.
  • ‫TimesFM 2.0: הגרסה הזו מכילה נקודת ביקורת של 500 מיליון פרמטרים עם קוד ההסקה שלה. הוא מספק ביצועים טובים יותר בהשוואה למודל 1.0.
  • ‫TimesFM 2.5: הגרסה הזו מכילה נקודת ביקורת של 200 מיליון פרמטרים עם קוד ההסקה שלה. הוא מספק ביצועים טובים יותר בהשוואה למודל 2.0.

כל המודלים זמינים ב-Model Garden לפריסה מהירה.

כדי להשתמש במודלים של TimesFM, קודם צריך לפרוס את המודל של TimesFM בנקודת קצה (endpoint) של Vertex AI ואז לרשום אותו ב-AlloyDB Omni.

פריסת מודל TimesFM לנקודת קצה של Vertex AI

אפשר לפרוס את המודל באמצעות פריסה בלחיצה אחת ממסוף Google Cloud , או באופן ידני באמצעות מחברת Colaboratory.

פריסה בלחיצה אחת

כדי לפרוס את המודל TimesFM בלחיצה אחת:

  1. במסוף Google Cloud , עוברים לדף Model Garden:

    כניסה ל-Model Garden
  2. בשדה Search, מזינים TimesFM.
  3. בתוצאות החיפוש, לוחצים על TimesFM.
  4. בדף TimesFM, מבצעים את הפעולות הבאות:

    1. לוחצים על פריסת המודל.
    2. בוחרים באפשרות Vertex AI.
  5. בחלונית Deploy on Vertex AI, מגדירים ופורסים את המודל:

    1. כדי להשתמש בגרסה העדכנית של מודל TimesFM, בתפריט הנפתח מזהה משאב בוחרים באפשרות google/timesfm-2.0.
    2. כדי שיהיה קל יותר לזהות את הפריסה בהמשך, מזינים את הפרטים הבאים:
      1. בשדה שם המודל, מזינים שם ייחודי של MODEL_NAME.
      2. בשדה Endpoint name, מזינים שם ייחודי ל-ENDPOINT_NAME.
    3. כדי להרחיב את אפשרויות ההגדרה, בקטע Deployment settings לוחצים על Advanced.
      1. כדי להבטיח זמן אחזור קצר ככל האפשר, בתפריט הנפתח Region בוחרים את אותו אזור שבו נמצא המכונה של AlloyDB Omni.
      2. כדי להשיג את הביצועים הכי טובים, בתפריט הנפתח Machine spec (מפרט המכונה), בוחרים מפרט מכונה מתאים. חשוב לזכור ש-GPU או TPU יכולים להציע זמן אחזור קצר יותר.
    4. בתפריט הנפתח Endpoint access שבקטע Availability policies, בוחרים באפשרות Public (Shared endpoint).

      כך נוצרת נקודת קצה בדומיין aiplatform שפועלת עם AlloyDB Omni.

    5. כדי לפרוס את המודל בנקודת קצה מנוהלת, לוחצים על Deploy. הפריסה עשויה להימשך כ-10 עד 15 דקות.
  6. אחרי פריסת המודל של TimesFM, קישור שדומה ל-google_timesfm-VERSION-one-click-deploy מופיע ב-Endpoints.
  7. כדי לקבל את כתובת ה-URL של בקשת המודל, לוחצים על קישור הפריסה בנקודות קצה.
  8. בדף הפרטים של נקודת הקצה, לוחצים על בקשה לדוגמה.
  9. בחלונית Sample request, מאתרים את כתובת ה-URL של בקשת המודל ורושמים אותה. משתמשים במידע הזה בשלב רישום מודל TimesFM ב-AlloyDB Omni – לדוגמה, https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID:predict.

    מוודאים שכתובת ה-URL של הבקשה מכילה את aiplatform.googleapis.com.

פריסה ידנית

כדי לפרוס את מודל TimesFM באופן ידני באמצעות מחברת Colaboratory, פועלים לפי השלבים הבאים:

  1. נכנסים לדף Model Garden במסוף Google Cloud :

    כניסה ל-Model Garden
  2. בשדה חיפוש, מזינים TimesFM.
  3. בתוצאות החיפוש, לוחצים על TimesFM כדי לפתוח את כרטיס המודל.
  4. בדף TimesFM, לוחצים על CO Open Notebook.
  5. בחלון Open Notebook, לוחצים על הקישור Collab Enterprise עבור TimesFM 2.0.
  6. בדף Collab Enterprise, מבצעים את הפעולות הבאות:

    1. כדי ליצור חיבור לסביבת זמן הריצה, לוחצים על Connect.
    2. אופציונלי: מבצעים את השלבים הבאים לפי הצורך:

      • בקטע Prerequisites של Setup Google Cloud project, מגדירים את BUCKET_URI ואת REGION – לדוגמה, מגדירים את BUCKET_URI לערך gs://your-unique-bucket-name ואת REGION לערך us-central1.

      • בתפריט הנפתח accelerator_type של Deploy TimesFM to a Vertex AI Endpoint, בוחרים סוג אחר של מאיץ אם צריך.
      • בשלב 3: הגדרת טווח התחזית המקסימלי, ממלאים את השדות horizon ו-max_context. לדוגמה, מגדירים את horizon ל-128 ואת max_context ל-512.
    3. מבטלים את הסימון בתיבה use_dedicated_endpoint.
    4. מריצים את כל התאים ב-Notebook.

    הפלט של ה-notebook מספק את פרטי נקודת הקצה בפורמט הבא: projects/PROJECT_ID/locations/REGION/endpoints/ENDPOINT_ID.

  7. כדי ליצור את model_request_url לקריאה ליצירת מודל SQL, מחליפים את מזהי הפרויקט ונקודת הקצה בפרטי נקודת הקצה מהשלב הקודם, באופן הבא:

    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');

    תצטרכו את ה-model_request_url הזה בקריאה ל-google_ml.create_model כשתרשמו את המודל של TimesFM ב-AlloyDB Omni, כמו שמתואר בקטע הבא.

  8. כדי לוודא שהפונקציה ai.forecast פועלת כמו שצריך, מריצים את השאילתה הבאה לדוגמה:

    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
    );
רישום מודל TimesFM ב-AlloyDB Omni

כדי לרשום את המודל TimesFM ב-AlloyDB Omni:

  1. מוודאים שהתוסף google_ml_integration מותקן במסד הנתונים של AlloyDB Omni שמכיל את הנתונים שרוצים להריץ עליהם חיזויים.

  2. מוודאים שמותקנת גרסה 1.4.5 ואילך של התוסף google_ml_integration.

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
    

    הפלט לדוגמה:

    extversion
    ------------
    1.4.5
    (1 row)
    
  3. מפעילים את google_ml.create_model באמצעות כתובת ה-URL של בקשת המודל שרשמתם ברישום מודל חיזוי.

    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
      );
    

    מחליפים את מה שכתוב בשדות הבאים:

    • ‫MODEL_ID: מזהה ייחודי של המודל הרשום שבו רוצים להשתמש לחיזוי, לדוגמה vertex_timesfm.
    • ‫MODEL_QUALIFIED_NAME: שם שהמשתמש הגדיר למודל, לדוגמה timesfm_v2.
    • ‫REGION: האזור שבו נמצאת המכונה, לדוגמה us-central1.
    • ‫PROJECT_ID: שם הפרויקט שבו המודל נפרס – לדוגמה, forecast_project.
    • ‫ENDPOINT_ID: שם פריסת המודל, לדוגמה my-timesfm-endpoint.

      הערך model_request_url מסופק על ידי Vertex AI אחרי שפורסים את המודל. מעתיקים את כתובת ה-URL המלאה מהחלונית Sample request במסוף Vertex AI. הוא כבר מכיל את פרטי הפרויקט ונקודת הקצה הנכונים.

הפעלת הדגל לניהול מסד נתונים של חיזוי

כדי ליצור תחזיות באמצעות המודל הרשום, צריך להגדיר את הדגל לניהול מסד הנתונים google_ml_integration.enable_forecasting לערך on.

אפשר להפעיל את הדגל הזה בסשן הנוכחי או להגדיר אותו כך שיישמר במסד נתונים או למשתמש ספציפיים בכל הסשנים. כדי להגדיר את הדגל לניהול מסד הנתונים, בוחרים באחת מהאפשרויות הבאות:

  • מפעילים את הדגל לסשן הנוכחי:

    SET google_ml_integration.enable_forecasting = on;
    
  • מפעילים את התכונה הניסיונית במסד נתונים ספציפי:

    ALTER DATABASE DATABASE_NAME SET google_ml_integration.enable_forecasting = 'on';
    

    מחליפים את DATABASE_NAME בשם של מסד הנתונים.

  • מפעילים את הדגל עבור משתמש ספציפי במסד הנתונים:

    ALTER ROLE postgres SET google_ml_integration.enable_forecasting = 'on';
    

יצירת תחזיות

אחרי שרושמים את המודל TimesFM ומפעילים את הדגל הנדרש, אפשר ליצור תחזיות על ידי העברת טבלת מקור או שאילתה עם נתוני סדרת הזמנים.

הפונקציה ai.forecast מתועדת בנפרד. רשימה מלאה של הפרמטרים, כולל תיאורים ודוגמאות, מופיעה במאמר הפניה לניהול נקודות קצה של מודלים.

יצירת תחזיות מטבלת מקור

בדוגמה הבאה מוצג אופן ההפעלה של הפונקציה ai.forecast באמצעות טבלת מקור כדי ליצור תחזיות:

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
);

יצירת תחזיות משאילתה

בדוגמה הבאה מוסבר איך ליצור תחזיות באמצעות קריאה לפונקציה ai.forecast, תוך שימוש בשאילתת משנה כמקור הנתונים:

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
);

שימוש במודלים אחרים של תחזיות

אפשר להשתמש בפונקציה ai.forecast עם כל מודל אחר של חיזוי סדרת זמנים שרושמים ב-AlloyDB Omni. הדבר החשוב הוא לוודא שהמודל רשום עם סוג המודל ts_forecasting.

הוראות מפורטות להרשמה של סוגים שונים של מודלי AI מופיעות במאמר הרשמה של מודלי AI מרוחקים והפעלתם באמצעות ניהול נקודות קצה של מודלים. אחרי שהמודל נרשם, אפשר להשתמש בו עם הפונקציה ai.forecast על ידי ציון model_id שלו.

המאמרים הבאים