Mistral Timestral. Otwarte modele do prognozowania szeregów czasowych

Czym jest Timestral i do czego służy

Timestral to model bazowy do prognoz, a nie model językowy. Na wejściu dostaje historię liczb, na przykład godzinowe zużycie prądu w zakładzie, a zwraca przewidywane wartości na kolejne okresy wraz z przedziałami niepewności. Mistral opisuje go jako model zero-shot, czyli taki, który ma działać na nowych danych bez wcześniejszego trenowania na nich.

Producent wskazuje trzy główne obszary. W przemyśle i energetyce chodzi o telemetrię czujników, utrzymanie ruchu, wykrywanie anomalii i planowanie części zamiennych. W finansach o prognozy przepływów, wolumenów i zmienności. Firma wymienia też łańcuchy dostaw, zarządzanie ryzykiem i monitoring systemów IT.

Cztery rozmiary i parametry techniczne

Wszystkie warianty mają tę samą architekturę i recepturę treningu, więc różnią się głównie dokładnością i szybkością. Według Mistrala wersja 123M traci tylko 0,2 proc. wyniku wersji 209M przy około trzech czwartych jej opóźnienia, a wersja 28M jest około pięć razy szybsza od największej.

Model trenowano głównie na danych syntetycznych. Najpierw uczył się na sztucznie generowanych szeregach z trendami, sezonowością i szumem przy kontekście 8192 kroków, a potem na mieszance danych prawdziwych i syntetycznych przy czterokrotnie dłuższym kontekście.

• Timestral-5M - 10 ms na prognozę dnia naprzód na CPU, do urządzeń brzegowych i bardzo dużej liczby szeregów,
• Timestral-28M - według Mistrala lepszy od około czterokrotnie większego Chronos-2 w testach GIFT-Eval i TIME,
• Timestral-123M - wynik niemal równy największemu wariantowi przy krótszym czasie odpowiedzi,
• Timestral-209M - największa wersja, według producenta lepsza od TimesFM-3 i Falcon-2.0, 140 ms na CPU.

Wyniki testów i czego jeszcze nie wiadomo

Mistral twierdzi, że Timestral zajmuje pierwsze miejsce wśród modeli bez dotrenowania w trzech zestawach testowych: GIFT-Eval, TIME i fev-bench, w pięciu miarach błędu prognozy. Liczby pokazano jednak tylko na wykresach we wpisie firmy, a raport techniczny z pełnymi wynikami ma ukazać się później. Do tego czasu przewaga nad konkurencją pozostaje deklaracją producenta.

Wpis nie podaje też ceny korzystania przez API ani regionów dostępności. Model jest w fazie Public Preview, więc jego zachowanie i warunki mogą się jeszcze zmienić. Wagi można jednak pobrać i uruchomić we własnej infrastrukturze już teraz, co dla wielu zastosowań przemysłowych jest ważniejsze niż API.

Licencja, wdrożenie i polski kontekst

Licencja Modified MIT pozwala na szerokie, także komercyjne wykorzystanie, ale przed wdrożeniem warto przeczytać jej zmodyfikowane punkty w repozytorium. Mistral oferuje też dotrenowanie na danych klienta i rozszerzenia modelu w ramach usługi Mistral Forge, z wdrożeniem lokalnym, w prywatnej chmurze albo w środowisku odciętym od internetu.

W naszej ocenie to jedna z bardziej praktycznych premier Mistrala dla polskich firm. Spółki energetyczne, operatorzy sieci ciepłowniczych, sieci handlowe czy fabryki prognozują dziś popyt i obciążenie klasycznymi metodami statystycznymi albo drogimi systemami dostawców. Mały model na CPU, uruchamiany na własnym serwerze, nie wymaga wysyłania danych pomiarowych poza firmę, co upraszcza ocenę zgodności z RODO i zasadami bezpieczeństwa infrastruktury krytycznej.

Jak sprawdzić Timestral we własnej firmie

Najrozsądniej potraktować model jako kandydata do porównania z obecną metodą, a nie od razu jako zamiennik. Test można przeprowadzić na danych historycznych, bez ryzyka dla bieżących procesów.

1. wybierz jeden szereg z dobrze znaną historią, np. dobowe zużycie energii z dwóch lat,
2. ukryj ostatnie tygodnie i porównaj prognozę Timestral z obecnym modelem oraz z prognozą naiwną,
3. zacznij od wersji 28M lub 123M, bo dają dobry kompromis między jakością a czasem obliczeń,
4. oceniaj nie tylko średni błąd, ale też to, czy przedziały niepewności obejmują rzeczywiste wartości,
5. przed wdrożeniem produkcyjnym poczekaj na raport techniczny i sprawdź warunki licencji.