Ripensare l’orchestrazione agentica dei modelli per la previsione delle serie temporali

Abstract degli autori

I modelli di base per le serie temporali (TSFM) hanno prestazioni disomogenee nei compiti di previsione. Studi recenti ricorrono all’orchestrazione agentica dei modelli (AMO) per selezionare o combinare i TSFM, ottenendo spesso risultati migliori rispetto ai singoli modelli previsionali. Tuttavia, questi miglioramenti potrebbero dipendere da candidati più performanti o più complementari, anziché da una migliore orchestrazione. Per distinguere i due effetti, presentiamo FairAMO, un protocollo di valutazione controllata in cui le previsioni dei modelli candidati restano fisse. Gli esperimenti su GIFT-Eval mostrano che l’AMO migliora l’accuratezza, ma che i suoi risultati sono limitati dai TSFM candidati. Considerando tutti i compiti, i migliori sistemi di orchestrazione riducono il MASE di meno del 6% rispetto al miglior singolo TSFM. Questi miglioramenti dipendono dalla complementarità — candidati diversi eccellono in compiti diversi — e non dal numero di candidati. Aggiungere membri produce benefici decrescenti e un membro ridondante può annullare i miglioramenti. Anche il valore delle evidenze storiche raggiunge presto un limite: bastano poche finestre recenti per ottenere tutti i miglioramenti, mentre una cronologia più lunga non ne apporta altri. Questi risultati distinguono i miglioramenti delle previsioni a livello di sistema dal contributo dell’orchestrazione stessa.