Editorial Ilmu Komputer & AI
TimeInteract: Menuju Kecerdasan Interaktif Waktu Nyata untuk Deret Waktu Streaming
Masalah inti
Deret waktu di dunia nyata berkembang secara berkelanjutan, dan perubahan bermakna dapat muncul kapan saja. Model bahasa deret waktu (TSLM) yang ada tetap bersifat statis: model tersebut menerima sekuens lengkap untuk pemrosesan offline atau bergantian antara input streaming dan generasi respons, yang menghalangi pemrosesan observasi baru selama interaksi. Keterbatasan ini krusial di domain seperti keuangan, telemetri jaringan, dan pemantauan industri, ketika keputusan harus dibuat berdasarkan aliran data langsung alih-alih jendela historis yang tetap.
Makalah ini memperkenalkan rezim baru, **Time-Series Interaction**, yang didefinisikan oleh tiga sifat: (1) model secara berkelanjutan mempersepsi observasi deret waktu yang masuk dan maksud pengguna, (2) model secara otonom memutuskan kapan harus tetap diam atau merespons, dan (3) model terus memproses observasi baru selama generasi respons. Untuk mewujudkan rezim ini, penulis mengembangkan **TimeInteract**, sebuah model dengan tiga desain utama: encoder TS streaming dual-view, mekanisme kontrol respons, dan mekanisme inferensi streaming terpisah. Mereka juga merumuskan hierarki kemampuan interaksi yang berkembang dari **Understand
Inovasi
Di seluruh empat tingkat interaksi, TimeInteract secara konsisten mengungguli LLM, VLM, dan TSLM yang ada. Peningkatan yang dilaporkan mencapai hingga **23,92 poin** pada tugas-tugas menantang. Selisih ini substansial dan menunjukkan bahwa encoder dual-view serta mekanisme kontrol respons memberikan keunggulan yang menentukan dibandingkan baseline statis atau streaming bergantian.
Selain peningkatan akurasi, TimeInteract meningkatkan pemicuan respons sekaligus mencapai **stream stall mendekati nol** dan percepatan inferensi hingga ****. Stream stall mendekati nol adalah konsekuensi langsung dari mekanisme inferensi streaming terpisah: karena kontrol dan generasi dipisahkan, model dapat terus menyerap observasi baru saat respons sedang dihasilkan. Percepatan hingga lebih lanjut menunjukkan bahwa desain terpisah mengurangi komputasi berlebih dibandingkan arsitektur bergantian atau blocking.
Evaluasi mencakup empat tingkat interaksi, dari Understanding hingga Adaptivity. Peningkatan yang konsisten di semua tingkat menunjukkan bahwa hierarki kemampuan bukan hanya taksonomi konseptual tetapi juga kerangka evaluasi praktis. Kombinasi akurasi lebih tinggi, pemic
Mengapa penting
Kontribusi inti karya ini adalah perumusan ulang pemodelan bahasa deret waktu sebagai masalah interaksi streaming. TSLM tradisional mengasumsikan sekuens input tetap dan satu respons, yang tidak kompatibel dengan domain ketika data tiba secara berkelanjutan dan maksud pengguna dapat berubah kapan saja. Dengan memperkenalkan rezim Time-Series Interaction, penulis menggeser tujuan dari pemetaan sequence-to-sequence offline menjadi persepsi, keputusan, dan generasi online.
Mekanisme inferensi streaming terpisah sangat signifikan. Pada banyak sistem interaktif, generasi menghalangi penyerapan, menyebabkan konteks basi dan peristiwa yang terlewat. TimeInteract menghindari hal ini dengan memisahkan jalur kontrol dari jalur generasi, sehingga model tetap responsif terhadap observasi baru. Pilihan desain ini kemungkinan bertanggung jawab atas stream stall mendekati nol dan percepatan inferensi.
Hierarki kemampuan dari Understanding hingga Adaptivity menyediakan cara terstruktur untuk mengevaluasi kemajuan. Understanding berkaitan dengan interpretasi yang benar atas aliran dan maksud pengguna; Adaptivity berkaitan dengan penyesuaian perilaku seiring berkembangnya aliran. Fakta bahwa TimeInteract meningkat di keempat tingkat menunjukkan bahwa arsitektur ini menggeneralisasi melampaui satu jenis tugas.
Beberapa batasan dan pertanyaan terbuka masih ada. Dataset StreamTSI-34K, meskipun besar dengan 34.588 episode dan 77.505 respons, mungkin belum mencakup semua pergeseran distribusi dunia nyata. Mekanisme kontrol respons harus menyeimbangkan positif palsu (respons yang tidak perlu) dan negatif palsu (peristiwa kritis yang terlewat), dan makalah ini melaporkan pemicuan yang lebih baik tetapi tidak sepenuhnya mencirikan trade-off tersebut. Penelitian selanjutnya dapat mengeksplorasi aliran multi-modal, observasi adversarial atau bising, dan penerapan pada sistem yang kritis terhadap latensi seperti deteksi intrusi jaringan atau pemantauan risiko keuangan.
Secara keseluruhan, TimeInteract merepresentasikan langkah bermakna menuju kecerdasan interaktif waktu nyata untuk deret waktu streaming, dengan resep arsitektur yang jelas dan tolok ukur untuk penelitian mendatang.
Siapa yang sebaiknya membaca
Membuka konten member…