Developing Time Series Forecasting Models with Generative Artificial Intelligence

Исследовательская статья посвящена оценке возможностей генеративных больших языковых моделей (GLLMs), таких как ChatGPT и GitHub Copilot, в автоматической генерации исходного кода для создания моделей машинного и глубокого обучения. Основное внимание уделяется задаче прогнозирования временных рядов — в частности, внутренней температуры умной теплицы.

Авторы исследуют, насколько эффективно эти ИИ-инструменты могут выступать в роли ассистентов для data scientist'ов, позволяя создавать рабочие прогнозные модели с помощью промптов на естественном языке, практически без написания кода вручную. В работе сравниваются результаты, полученные с помощью автоматически сгенерированного кода, и модели, созданные опытными специалистами.

Эксперименты проводятся в экосистеме Python с использованием популярных фреймворков, таких как Keras и Scikit-learn. Результаты показывают, что для простых предикторов можно достичь хороших метрик точности, однако создание сложных архитектур моделей с помощью GLLMs пока отстаёт от ручного подхода. Статья вносит вклад в понимание потенциала и текущих ограничений генеративного ИИ в области data science и автоматизации разработки ML/DL-решений.