AI.FORECASTにTimesFM予測

これまでBigQueryで売上や在庫を予測するにはモデルを構築する必要があった。ARIMAもBigQuery MLのARIMA_PLUSも学習フェーズを要し、データ・時間・運用のコストが伴ううえ、ARIMA_PLUSは欠損値の補完や季節性の設定も必要とする。

AI.FORECASTは別の道を取る。Google Researchが大量の時系列データで事前学習した時系列基盤モデルTimesFMを呼び出すため、ドメイン固有の再学習なしに幅広い系列で機能する。実際にはtimesfm-1.0-200mエンドポイントを指すリモートモデルオブジェクトを作成し、必須3列とhorizon・confidence_level用のSTRUCTを含むサブクエリをAI.FORECASTに渡す。商品カテゴリやトラフィックソースなど複数の系列もtime_series_idでキー付けすれば一度に処理でき、系列ごとにクエリを分ける必要はない。

トレードオフは設計に表れている。ARIMA_PLUSに比べて調整の余地は限られ、系列が短すぎると精度が落ちやすく、セール開始や広告予算の増額、季節イベントによる急変は事前に学習されない。これらにはARIMA_PLUSのholiday_regionオプションや外部リグレッサのほうが適している。筆者自身のワークフローが示す着地点はこうだ。結果をスケジュールでテーブルに保存してダッシュボードを最新に保ち、MAPEと区間カバレッジを追跡し、精度が落ちれば入力ウィンドウの拡大やARIMA_PLUSへの切り替えを検討する。これが既存の予測体制を置き換えるかどうかは、チームの需要のどれだけが短期・中期かにかかるだろう。TimesFMが想定するのはその範囲だからだ。