I Foundation Models per le serie storiche: un confronto empirico tra modelli locali e Chronos-Bolt

Il presente elaborato si inserisce nel dibattito relativo all'evoluzione del forecasting di serie storiche, analizzando il recente cambio di paradigma apportato dai Foundation Models, modelli globali di Deep Learning basati su un'architettura Transformer. L'obiettivo principale della ricerca consiste nel valutare il confronto tra l'efficacia predittiva di questi modelli e di specifici modelli locali. La tesi presenta una breve introduzione ai modelli globali, offrendo un approfondimento sui Foundation Models attraverso un'introduzione ai concetti principali del Machine Learning, Deep Learning e reti neurali. L'elaborato presenta poi il modello globale Chronos-Bolt e la libreria AutoGluon-TimeSeries, presentando i concetti di Transfer Learning, AutoML ed Ensembling, fornendo un approfondimento sulle tecniche di Zero-Shot forecasting e Fine-Tuning. Infine, l'elaborato presenta un lavoro di confronto empirico tra le due versioni principali di Chronos-Bolt e quattro diversi modelli locali scelti appositamente per lo studio. Lo studio avviene attraverso il confronto delle capacità predittive dei vari modelli utilizzando come metriche principali l’Errore Quadratico Medio (MSE) e l’Errore Medio assoluto (MAE). I risultati complessivi evidenziano le notevoli potenzialità e punti deboli dei modelli globali pre-addestrati, i quali si dimostrano in grado di competere efficacemente con gli approcci tradizionali. In conclusione, la ricerca offre un contributo empirico che conferma come l'avvento dei Foundation Models rappresenti un'efficace e flessibile evoluzione nell’ambito del forecasting.