Forskare kritiserar universella AI-modeller för tidsserier

En ny forskningsartikel ifrågasätter den pågående utvecklingen av universella AI-modeller för tidsserier och hävdar att denna ansats bygger på ett grundläggande missförstånd. Forskarna menar att strävan efter universella grundmodeller för tidsdata vilar på vad de kallar ett "fundamentalt kategorifel".

Problemet ligger enligt forskarna i att olika typer av tidsserier – från finansiella marknadsdata till vätskedynamik – har helt olika underliggande processer som genererar data. När en och samma modell försöker hantera alla dessa olika typer av information samtidigt, degenererar den till vad forskarna beskriver som dyra "generiska filter" som misslyckas när datafördelningen förändras.

Som ett alternativ föreslår forskarna specialiserade modeller som styrs av en överordnad agent. Denna ansats skulle kunna välja rätt modell för rätt typ av tidsserie, istället för att tvinga alla data genom samma system.

Forskarna introducerar också ett teoretiskt koncept kallat "Autoregressive Blindness Bound" – en gräns som bevisar att modeller som endast baserar sina förutsägelser på historisk data inte kan förutse plötsliga förändringar eller interventioner i systemet. Detta sätter en fundamental begränsning för hur bra historikbaserade AI-modeller kan bli på att förutsäga framtiden.

Kritiken kommer när AI-industrin satsar stora resurser på att utveckla allt mer generella modeller som ska kunna hantera många olika typer av data samtidigt. Forskningen pekar på att denna "one size fits all"-ansats kanske inte är den mest effektiva vägen framåt för tidsserieanalys.