Eine Studie von MIT-Forschern zeigt, dass große Sprachmodelle (LLM) das Potenzial haben, effizientere Anomaliedetektoren für Zeitreihendaten zu sein. Durch ein Framework namens SigLLM können Zeitreihendaten in textbasierte Eingaben umgewandelt werden, die von einem LLM verarbeitet werden können. Dies ermöglicht es dem Modell, Anomalien zu identifizieren und zukünftige Zeitreihendaten vorherzusagen. Obwohl LLMs nicht so gut wie hochmoderne Deep-Learning-Modelle abschnitten, konnten sie dennoch mit anderen KI-Ansätzen mithalten. Die Forscher hoffen, die Leistung der LLMs zu verbessern, um Technikern zu helfen, potenzielle Probleme in Ausrüstungen wie schweren Maschinen oder Satelliten frühzeitig zu erkennen.
Die große Sprachmodelle sind auto regressive und können daher die Anomalien in Zeitreihendaten möglicherweise gut erkennen, ohne dass eine Feinabstimmung erforderlich ist. Die Forscher haben anhand von zwei verschiedenen Ansätzen gezeigt, wie ein LLM eingesetzt werden kann, um Anomalien zu erkennen. Der Ansatz “Prompter” nutzt die Fähigkeiten des LLM, anomale Werte zu identifizieren, während der Ansatz “Detector” das Modell als Vorhersager einsetzt, um zukünftige Werte vorherzusagen. Das Ziel ist es, die Leistung der LLMs zu verbessern, um sie für die Anomaliedetektion nutzbar zu machen, obwohl derzeitige Deep-Learning-Modelle noch überlegen sind.
In der Zukunft könnten LLMs möglicherweise auch klare Erklärungen zu ihren Vorhersagen liefern, um den Bedienern zu helfen zu verstehen, warum ein bestimmter Datenpunkt als anomalous identifiziert wurde. Obwohl noch weitere Arbeit erforderlich ist, um die Leistung der LLMs zu verbessern, könnten diese Modelle in komplexen Aufgaben wie der Anomaliedetektion in Zeitreihendaten eine wichtige Rolle spielen. Die Forscher sind auch daran interessiert, die Geschwindigkeit der LLMs zu erhöhen und die Funktionsweise dieser Modelle besser zu verstehen, um ihre Leistung zu steigern.