"시계열 예측은 비즈니스에 매우 중요하지만, 기존 방법은 느리고 전문가의 많은 노력이 필요합니다. 제로샷 파운데이션 모델인 TimesFM은 작업별 학습 없이 예측을 개선했습니다. 그러나 몇 가지 예시를 통합하는 소수샷 학습(few-shot learning)은 정확도를 더욱 향상시킬 수 있습니다. 이를 위한 표준 방법인 지도 미세 조정(supervised fine-tuning)은 복잡성을 다시 도입합니다.새로운 인컨텍스트 미세 조정(In-Context Fine-Tuning, ICF) 접근 방식은 지속적인 사전 학습을 사용하여 TimesFM을 소수샷 학습자로 변환합니다. 이를 통해 모델은 추가 사용자 학습 없이 추론 시점의 예시로부터 학습할 수 있습니다. 이제 TimesFM-ICF가 된 모델은 트랜스포머 레이어가 있는 패치 디코더 아키텍처를 사용합니다.소수샷 학습을 가능하게 하기 위해 예측 기록과 인컨텍스트 예시를 구분하는 "공통 구분 토큰"이 도입됩니다. 이는 데이터 혼동을 방지하고 모델이 과거 패턴으로부터 학습할 수 있도록 합니다. 그런 다음 모델은 이러한 구분 토큰을 통합한 새로운 데이터셋으로 사전 학습됩니다.TimesFM-ICF는 관련 과거 데이터를 인컨텍스트 예시로 사용하여 보지 못한 데이터셋에서 평가되었습니다. 기본 TimesFM보다 6.8%의 정확도 향상을 보였습니다. 중요한 것은 TimesFM-ICF가 추가적인 복잡한 학습 없이 지도 미세 조정과 동일한 성능을 달성한다는 것입니다.이 시스템은 또한 더 많은 인컨텍스트 예시가 더 나은 예측으로 이어진다는 것을 보여주지만, 추론 시간과의 절충이 있습니다. 이 혁신은 더 접근 가능하고 강력한 예측을 약속하며, 비즈니스가 광범위한 ML 프로젝트 없이도 적응 가능한 모델을 배포할 수 있도록 합니다. 향후 연구는 가장 관련성 높은 인컨텍스트 예시의 선택을 자동화하는 것을 목표로 합니다."