시계열 데이터는 주가 변동, 환자 생체 신호, 센서 기록 등 시간의 흐름에 따라 변화하는 정보를 담고 있습니다. 최근 시계열 다중 모달 대규모 언어모델(TS-MLLM)은 이러한 시계열 데이터에 대한 질문-답변(Q&A) 작업에 대규모 언어모델(LLM)의 추론 능력을 활용하기 시작했습니다. 하지만 기존 모델들은 복잡한 시간 패턴을 제대로 포착하지 못하고, 결과에 대한 명확한 설명 없이 암묵적인 추론만을 제공하여 의료와 같은 고위험 분야에 적용하기 어렵다는 한계가 있었습니다.
이러한 문제를 해결하기 위해 Sudarshan Regmi 외 연구진은 'TimeThink'라는 새로운 합성 프레임워크를 제안했습니다. TimeThink은 시계열 데이터의 핵심 요소인 추세(trend), 계절성(seasonality) 등 도메인 독립적인 기본 요소를 활용해 원자적(atomic) 및 복합적(composite) 질문-답변 쌍을 생성합니다. 이 과정에서 모델이 추론 과정을 명확히 이해할 수 있도록 정답과 함께 추론의 근거를 제공하는 것이 특징입니다. 또한, TimeThink은 검증 가능한 보상(verifiable rewards)을 사용하는 강화 학습(RLVR) 훈련 전략을 채택하여, 단순히 패턴을 모방하는 것을 넘어 시계열 데이터의 근본적인 논리를 학습하도록 유도합니다.
TimeThink의 가장 주목할 만한 성과는 합성 데이터만으로 훈련되었음에도 불구하고, 합성 데이터 벤치마크는 물론 실제(real-world) 데이터 벤치마크에서도 기존의 강력한 기준 모델들을 훨씬 능가하는 성능을 보였다는 점입니다. 이는 시계열 LLM이 복잡한 시간적 패턴을 명시적으로 추론하고 그 과정을 설명할 수 있는 잠재력을 가지고 있음을 시사합니다. 의료 진단, 금융 예측, 산업 설비 모니터링 등 설명 가능한 인공지능(XAI)이 필수적인 분야에서 TS-MLLM의 활용 가능성을 크게 확장할 것으로 기대됩니다.