Prevedere il futuro di numeri che cambiano nel tempo è un compito che modella il mondo moderno. Dal momento in cui un operatore della rete elettrica decide quanta elettricità generare per la sera, all'istante in cui un trader compra o vende una valuta basandosi sulle tendenze del mercato, la capacità di prevedere cosa accadrà dopo è vitale. Per decenni, gli scienziati hanno cercato di insegnare ai computer come vedere questi schemi, trattando i dati delle serie temporali come una sequenza di numeri da analizzare. L'obiettivo è semplice: guardare ciò che è accaduto nel passato e usarlo per indovinare cosa accadrà nel futuro. Tuttavia, queste sequenze sono spesso disordinate. Sono piene di picchi improvvisi, rumore casuale e tremolii ad alta frequenza che possono sembrare segnali importanti ma che sono in realtà solo distrazioni. Quando un computer cerca di trovare un evento passato simile per aiutare una previsione, spesso viene ingannato da questo rumore, associando una tendenza attuale a una storica che appare simile solo a causa di un guasto casuale, non perché condividano la stessa storia sottostante.

Un team di ricercatori ha proposto un nuovo modo per risolvere questo problema cambiando il modo in cui il computer "vede" i dati. Invece di chiedere alla macchina di confrontare numeri grezzi, suggeriscono di convertire i dati in immagini. Immaginate di prendere un grafico a linee del prezzo di un'azione o di una lettura della temperatura e di mostrarlo al computer come un'immagine. Questo approccio, chiamato VRATF, si basa sull'idea che la forma complessiva di una tendenza — il modo in cui una linea curva, sale o scende — sia più importante del valore esatto di ogni singolo punto. Trasformando i dati in un formato visivo, il sistema può ignorare i minuscoli e rumorosi sussulti e concentrarsi sul quadro generale. I ricercatori hanno scoperto che quando hanno utilizzato questo metodo visivo per trovare eventi passati simili, le previsioni risultanti erano spesso più accurate, specialmente quando si guardava lontano nel futuro.

Il nucleo di questo nuovo metodo prevede un processo in due fasi che imita il modo in cui un essere umano potrebbe approcciare una previsione difficile. Per prima cosa, il sistema pulisce i dati. Prende una lunga stringa di numeri e filtra il rumore ad alta frequenza, mantenendo solo le tendenze fluide e lente. Poi disegna queste tendenze pulite come semplici grafici a linee, molto simili a un grafico che potreste vedere in un quotidale. Queste immagini vengono caricate in un potente sistema di visione — un tipo di intelligenza artificiale addestrata a riconoscere forme e schemi nelle immagini — che non ha mai visto dati di serie temporali prima d'ora, ma è eccellente nel rilevare somiglianze geometriche. Questo sistema costruisce una libreria di queste immagini di tendenza. Quando è necessaria una nuova previsione, il sistema disegna la tendenza attuale come un'immagine e cerca in questa libreria i modelli storici visivamente più simili. Una volta trovato un match, osserva cosa è accaduto dopo che quel modello storico si è verificato e usa quello come guida per il futuro.

In parallelo alla ricerca visiva, un modello informatico separato e leggero esegue la propria previsione basandosi strettamente sui numeri che vede in quel momento. I ricercatori combinano poi queste due fonti di informazione. Non si limitano semplicemente a farne la media; utilizzano invece un meccanismo intelligente e regolabile che impara quanto fidarsi della ricerca visiva rispetto al modello numerico per ogni specifica situazione. Se la ricerca visiva trova un match molto forte, il sistema si affida pesantemente a quel riferimento storico. Se il match è debole, si affida maggiormente al modello numerico. Questo equilibrio viene appreso automaticamente durante l'addestramento, permettendo al sistema di adattarsi a diversi tipi di dati, che si tratti del ritmo costante dei modelli meteorologici o delle oscillazioni erratiche dei mercati finanziari.

I ricercatori hanno testato questo approccio su sei diversi set di dati del mondo reale, inclusi l'uso di elettricità, le condizioni meteorologiche e i tassi di cambio delle valute. Hanno confrontato il loro metodo con altre dieci tecniche di previsione all'avanguardia, inclusi modelli complessi che si basano su enormi quantità di dati e strutture matematiche avanzate. I risultati hanno mostrato che questo approccio basato sulla visione era altamente competitivo. In molti casi, ha superato gli altri metodi, in particolare quando l'orizzonte di previsione era lungo. Ad esempio, prevedendo l'uso di elettricità 720 ore nel futuro, il nuovo metodo ha ridotto significativamente il tasso di errore rispetto ai modelli standard. Lo studio suggerisce che l'approccio visivo è particolarmente efficace nel gestire dati rumorosi, dove i metodi tradizionali spesso faticano a distinguere tra una vera tendenza e una fluttuazione casuale.

Una delle scoperte più sorprendenti è stato il modo in cui il sistema gestiva diversi tipi di dati. Su set di dati con schemi chiari e ripetitivi, come i cambiamenti di temperatura oraria, il metodo visivo funzionava bene in tutti gli intervalli temporali. Su dati più caotici, come i tassi di cambio giornalieri delle valute, il metodo visivo manteneva comunque il suo livello, sebbene i ricercatori abbiano notato che la quantità di filtraggio del rumore doveva essere calibrata con cura. Hanno scoperto che rimuovere troppo dettaglio poteva danneggiare la previsione, mentre rimuovere troppo poco lasciava il sistema confuso dal rumore. L'equilibrio ottimale dipendeva dalla natura specifica dei dati. Inoltre, i ricercatori hanno scoperto che il loro sistema non era solo accurato, ma anche efficiente. Poiché il lavoro pesante di creazione della libreria visiva veniva fatto in precedenza, l'addestramento effettivo del modello di previsione era veloce, convergendo verso un alto livello di prestazione in una frazione del tempo richiesto dagli altri modelli complessi.

Lo studio ha anche esplorato perché questo approccio visivo funzioni meglio di altri. Hanno confrontato il metodo con un approccio che utilizza descrizioni testuali per trovare tendenze simili e un altro che utilizza direttamente i numeri grezzi. Il metodo visivo ha costantemente superato l'approccio basato sul testo, suggerendo che i dettagli geometrici di una curva — le sue pendenze e i suoi punti di svolta — portano più potere predittivo di una descrizione scritta della tendenza. Ha inoltre superato l'approccio basato sui numeri grezzi, confermando che la fase iniziale di filtraggio del rumore e conversione dei dati in un'immagine pulita era cruciale. Concentrandosi sulla forma della tendenza piuttosto che sui valori specifici, il sistema ha evitato la trappola di associare due sequenze che apparivano simili solo a causa di picchi casuali.

In definitiva, questa ricerca offre una nuova prospettiva su un vecchio problema. Suggerisce che il modo in cui rappresentiamo i dati conta tanto quanto gli algoritmi che usiamo per analizzarli. Traducendo le serie temporali in un linguaggio visivo che le moderne intelligenze artificiali comprendono bene, i ricercatori sono stati in grado di costruire uno strumento di previsione che è allo stesso tempo potente ed efficiente. Il metodo non richiede enormi potenze di calcolo durante la fase di previsione, né deve essere riaddestrato da zero per ogni nuovo set di dati. Al contrario, sfrutta i punti di forza esistenti dei sistemi di visione per trovare le storie nascoste nel rumore. Sebbene i ricercatori riconoscano che c'è ancora spazio per il miglioramento, in particolare nella gestione di database estremamente grandi o nell'adattamento a tipi di dati completamente nuovi, il loro lavoro dimostra che, a volte, il modo migliore per vedere il futuro è guardare il passato come un'immagine.