A experiência em previsão pode mudar para abordagens e algoritmos para avaliar a precisão e a justiça do modelo. Vimos essa mudança no espaço dos modelos de linguagem grande (LLM), onde as organizações que desejam incorporá-los precisam validar modelos e garantir que estejam livres de preconceitos sistemáticos. Precisaremos fazer o mesmo trabalho na previsão, pois fica mais fácil empregar modelos de previsão em mais ambientes.
Tal como acontece com os LLMs, veremos uma família crescente de modelos de previsão com diferentes pontos fortes e fracos (desempenho, tamanho, velocidade, especialização).
No momento em que este artigo foi escrito, o número de modelos básicos de séries temporais ainda era limitado, mas estava crescendo rapidamente. À medida que o campo evolui, começaremos a ver modelos mais especializados, para indústrias e propósitos específicos, para lidar com tipos de dados específicos ou para dar aos usuários um controle mais preciso para equilibrar velocidade e precisão, dependendo do que é importante em cada tarefa.
Não serão apenas os modelos que se especializarão, mas também as opções e a interface do usuário para interagir com eles. A variedade de opções disponíveis para melhorar a precisão, as variáveis exógenas prontamente disponíveis e a forma como os usuários acessam os modelos via código ou interface também serão diferenciais.
