[Buku Catatan Ide AI 02] Timestral: ramalkan angka besok tanpa meminta chatbot menebak

Buku Catatan Ide AI menelusuri gagasan dan kemungkinan penggunaan praktis di balik model serta alat AI yang baru mulai bermunculan.

Antrean dukungan besok adalah angka sebelum menjadi paragraf. Anda mungkin ingin tahu apakah perlu menugaskan satu orang tambahan, apakah server memerlukan kapasitas lebih besar, atau apakah pesanan stok biasa cukup untuk akhir pekan. Penjelasan yang lancar baru berguna setelah ramalannya memiliki dasar kuat.

Timestral, diperkenalkan Mistral AI pada 15 Oktober 2026, adalah keluarga model untuk meramalkan urutan angka. Model ini menghasilkan prediksi probabilistik, bukan balasan percakapan, mendukung beberapa deret terkait, dan diterbitkan dalam empat ukuran: 5M, 28M, 123M, dan 209M parameter. Pengumuman Mistral

Pengantar ini membawa Anda dari deskripsi tersebut menuju eksperimen awal yang berguna. Kita akan melihat masukan untuk model, cara membaca rentang ramalan, dan cara membandingkannya dengan baseline sederhana. Contohnya adalah latihan usulan, sehingga Anda dapat mencoba ide tanpa mengira ilustrasi sebagai hasil terukur.

Halaman Timestral-5M milik Mistral AI, diambil pada 20 Oktober 2026. Layar ini mengidentifikasi checkpoint peramalan, bukan grafik eksperimen yang dilakukan untuk artikel ini.

Ramalan dimulai dengan waktu dan besaran

Deret waktu mencatat suatu besaran sepanjang langkah waktu berurutan. Contohnya jumlah permintaan setiap menit, pesanan per hari, atau suhu pada interval teratur. Jarak waktu merupakan bagian makna: 100 permintaan per menit dan 100 permintaan per jam menggambarkan sistem yang sangat berbeda.

Sebelum memilih model, tuliskan keputusannya dalam satu kalimat. “Perkirakan volume dukungan harian besok agar kita dapat merencanakan petugas” lebih jelas daripada “temukan wawasan dari data kita”. Kalimat itu menentukan target, horizon, dan tindakan yang mungkin berubah.

Lalu tentukan apa yang diwakili satu pengamatan. Tiket dukungan yang dibuat hari ini dan tiket yang diselesaikan hari ini adalah kejadian berbeda. Menggabungkannya ke satu kolom demi kemudahan dapat mengaburkan hambatan yang ingin dipahami.

Timestral ditempatkan setelah definisi itu. Ia dapat memproses riwayat numerik, tetapi tim tetap bertanggung jawab atas arti angka tersebut. Model tidak dapat memperbaiki target yang diam-diam berubah dari permintaan menjadi pekerjaan selesai di tengah berkas.

Keluaran yang berguna adalah rentang untuk bertindak

Ramalan titik memberi satu angka. Ramalan probabilistik menggambarkan beberapa kemungkinan tingkat nilai masa depan, membantu melihat ruang di sekitar perkiraan tengah. Keluaran Timestral yang dipublikasikan mencakup 21 kuantil per langkah waktu prediksi. Repositori inferensi

Bayangkan latihan terencana dengan ramalan median besok 100 tiket dan kuantil lebih tinggi 140. Angka ini rekaan, tetapi memperlihatkan keputusan: petugas biasa mungkin cukup untuk perkiraan tengah, sedangkan rencana cadangan menutup hari yang lebih sibuk. Ramalan berguna karena mengubah persiapan Anda.

Kuantil bukan janji bahwa kenyataan tetap di bawah garis. Anda perlu memeriksa kalibrasi melalui ramalan historis berulang. Jika pengamatan melampaui ramalan persentil ke-90 jauh lebih sering daripada harapan, tingkat itu belum menjadi batas perencanaan andal untuk data Anda.

Batas yang sesuai juga bergantung pada keputusan. Kehabisan stok dan menyimpan stok sedikit berlebih memiliki biaya berbeda. Karena itu, sebuah tim mungkin bertindak berdasarkan kuantil lebih tinggi daripada median, sementara tugas lain dapat menerima rencana lebih murah dan kurang konservatif.

Diagram penjelasan orisinal. Kurva dan rentang direka untuk menjelaskan jendela ramalan, bukan keluaran Timestral.

Sinyal terkait membantu hanya jika waktunya jujur

Mistral menggambarkan Timestral sebagai model multivariat yang mendukung kovariat masa lalu saja dan kovariat masa depan yang sudah diketahui. Dalam bahasa sehari-hari, model dapat menggunakan beberapa sinyal numerik terkait dan informasi yang nilai masa depannya telah tersedia. Deskripsi rilis

Kalender buka toko diketahui sebelum besok tiba. Penjualan aktual besok belum diketahui. Eksperimen ramalan harus menghormati perbedaan itu meskipun spreadsheet yang sudah lengkap dengan mudah menyediakan kedua kolomnya.

Untuk latihan kapasitas server, jadwal peluncuran produk dapat diketahui sebelumnya, sedangkan volume permintaan persis masih belum diketahui. Untuk latihan volume pesanan, indikator hari libur mungkin tersedia, sementara jumlah pesanan akhir menjadi target. Ini contoh penggunaan perbedaan tersebut, bukan klaim integrasi yang sudah diterapkan.

Cuaca adalah contoh kesalahan yang mudah terjadi. Berkas historis mungkin memuat cuaca yang benar-benar terjadi. Ramalan nyata hanya memiliki prakiraan cuaca yang tersedia saat itu. Mengevaluasi dengan pengamatan sesudahnya memberi sistem informasi yang belum dimiliki ketika mengambil keputusan.

Mulai dengan eksperimen terkecil yang menjawab pertanyaan

Repositori resmi menyediakan inferensi mandiri pada CPU atau GPU. Jalur CPU memudahkan uji pertama tanpa menganggap ukuran model sebagai persyaratan perangkat keras lengkap. Dependensi, tensor termuat, panjang riwayat, dan jumlah deret tetap menyumbang kebutuhan memori saat berjalan. Instalasi dan penggunaan

Untuk pengenalan, checkpoint 5M masuk akal sebagai kandidat menjelajahi antarmuka. Ini usulan titik awal untuk latihan kecil, bukan klaim akan mengalahkan checkpoint lebih besar pada data Anda. Pastikan alur bekerja sebelum membandingkan ukuran model.

1. Buka repositori resmi dan periksa petunjuk instalasi serta tautan lisensi. Gunakan lingkungan Python terpisah.
2. Siapkan satu deret dengan interval sampel teratur. Pertahankan cap waktu dan satuan di berkas sumber meskipun array numerik untuk model hanya berisi nilai.
3. Sisihkan pengamatan terakhir sebagai horizon pengujian. Jangan masukkan ke riwayat yang dipakai untuk ramalan itu.
4. Muat checkpoint, minta horizon pilihan, lalu periksa ramalan tengah dan kuantilnya.
5. Bandingkan dengan ramalan sederhana dari riwayat yang sama. Ulangi pada beberapa titik potong lebih awal sebelum menyimpulkan.

Repositori mendokumentasikan jalur instalasi berikut, dengan persyaratan yang disebutkan Python 3.10 atau lebih baru dan PyTorch 2.4 atau lebih baru. Instalasi mengambil kode; tinjau dan patok revisi jika memerlukan lingkungan yang dapat direproduksi.

python -m venv .venv
# Activate the environment using your shell's activation command.
python -m pip install "git+https://github.com/mistralai/timestral.git"

Berikut adaptasi antarmuka inferensi terdokumentasi yang sengaja dibuat kecil. Nilainya adalah hitungan harian sintetis; kode tidak menyiratkan artikel ini mengeksekusi model atau memperoleh hasil tertentu.

import numpy as np
from timestral import TimestralForecaster

history = np.array([
    80, 83, 85, 88, 96, 61, 58,
    82, 84, 87, 91, 99, 64, 60,
    85, 86, 89, 94, 102, 66, 63,
], dtype=np.float32)

model = TimestralForecaster.from_pretrained("mistralai/Timestral-5M")
forecast = model.forecast(history, prediction_length=7)
print(forecast.median)
print(forecast.quantile(0.9))

Tiga minggu data rekaan cukup untuk menggambarkan API, bukan menetapkan kinerja pada proses bisnis. Ganti dengan deret yang cukup panjang dan dipahami dengan baik sebelum mengambil keputusan. Periksa pengamatan hilang dan kejadian tidak biasa, alih-alih diam-diam mengubah setiap celah menjadi nol.

Tiga pekerjaan menunjukkan perbedaan ramalan dan generasi teks

Perencanaan dukungan harian menghubungkan ramalan dengan petugas. Masukannya bisa berupa riwayat tiket yang dibuat setiap hari, dengan kalender akhir pekan dan penutupan yang diketahui. Pertanyaan penilaiannya: apakah ramalan membantu menyiapkan kapasitas, terutama pada hari sibuk yang luput dari rata-rata sederhana?

Perencanaan server menghubungkan ramalan dengan batas teknis. Permintaan per interval mungkin targetnya, tetapi galat, latensi, dan kapasitas yang diterima tetap perlu dipantau terpisah. Ramalan permintaan yang diperkirakan tidak membuktikan aplikasi akan bertahan pada beban tertentu.

Perencanaan stok menghubungkan ramalan dengan waktu pengadaan. Jika pengisian kembali perlu beberapa hari, permintaan besok saja adalah horizon yang salah. Latihan berguna memprediksi sepanjang interval saat pesanan berikutnya belum dapat tiba dan membandingkan akibat kekurangan serta kelebihan stok.

Ketiganya berbagi pola: definisikan besaran, kapan keputusan dibuat, dan apa yang berubah karena ramalan. Model lalu menjadi instrumen dalam alur kerja. Instrumen lebih mudah dinilai jika tindakan yang dituju terlihat jelas.

Bandingkan ramalan pada saat ramalan itu mungkin dibuat

Backtest menciptakan kembali kesempatan meramal pada masa lalu. Pilih titik potong historis, berikan hanya informasi yang tersedia sebelumnya, lalu prediksi interval berikutnya. Geser titik potong maju dan ulangi tanpa membiarkan pengamatan masa depan bocor ke pemilihan model.

Mulailah dengan baseline yang sesuai pola. Nilai hari yang sama pada minggu lalu dapat berguna untuk siklus mingguan; nilai paling baru dapat berguna untuk proses stabil dengan horizon pendek. Keduanya tidak otomatis kuat, tetapi menunjukkan apakah kompleksitas tambahan layak dipakai.

Tetap perhatikan periode nol dan mendekati nol. Galat persentase bisa sulit diartikan saat target sangat kecil. Gunakan metrik yang sesuai dengan deret dan periksa kesalahan aktual bersama skor agregat.

Untuk pilot praktis, tabel kecil berisi kesalahan terburuk sering mengajarkan lebih banyak daripada satu rata-rata utama. Apakah kesalahan terkait interval hilang, hari libur, gangguan sistem, atau perubahan permintaan nyata? Jawabannya menentukan apakah perlu memperbaiki alur data, menambah informasi, atau mempertimbangkan pendekatan ramalan lain.

Diagram backtesting orisinal. Setiap ramalan menggunakan informasi yang tersedia di titik potongnya sendiri; pengamatan sesudahnya disimpan untuk penilaian.

Bobot kecil hanya satu bagian dari penerapan

Repositori membedakan kode Apache 2.0 dari bobot model yang dirilis dengan lisensi Modified MIT. Baca ketentuan bobot sebenarnya untuk checkpoint pilihan; repositori terbuka dan model berlisensi terpisah adalah artefak distribusi berbeda. Penjelasan lisensi repositori

Unduhan awal dan inferensi normal juga tahap berbeda. Pemuat terdokumentasi dapat menggunakan model lokal dalam cache, tetapi aplikasi hanya tetap offline jika semua komponennya juga demikian. Model ramalan lokal tidak mencegah bagian lain alur kerja mengirim data ke layanan jarak jauh.

Untuk operasi berulang, catat checkpoint yang menghasilkan setiap ramalan dan kapan data masukannya berakhir. Grafik tanpa titik potong itu dapat dikira ramalan meski memasukkan pengamatan belakangan. Pertahankan nilai prediksi agar kelak dapat dibandingkan dengan kejadian sebenarnya.

Layanan ramalan juga membutuhkan rencana untuk data hilang dan eksekusi gagal. Menampilkan prediksi kemarin seolah baru dibuat menghasilkan antarmuka yang tampak sehat tetapi menyesatkan. Tampilkan waktu data terakhir yang berhasil, dan tentukan kapan baseline sederhana lebih baik daripada keluaran model basi.

Prediksi lebih cepat berguna hanya jika keputusan membaik

Mistral melaporkan inferensi ramah CPU dan hasil benchmark kuat untuk keluarga ini. Itu alasan menyelidiki, bukan pengukuran alur data Anda. Waktu model yang dipublikasikan tidak mencakup setiap kemungkinan pembacaan berkas, perhitungan fitur, antrean, atau grafik di aplikasi. Pengumuman 15 Oktober

Ada godaan umum menjadikan pilot sebagai upaya menjalankan checkpoint terbesar yang muat. Pertanyaan lebih baik adalah apakah ramalan tiba sebelum keputusan dan memperbaiki kesalahan yang penting. Hasil sedikit lebih akurat yang datang setelah tenggat penjadwalan petugas memiliki manfaat operasional terbatas.

Bedakan pula perbaikan numerik dari perbaikan kebijakan. Galat rata-rata lebih rendah mungkin tidak mengubah hari sibuk paling mahal. Sebaliknya, kuantil atas yang terkalibrasi lebih baik dapat memperbaiki perencanaan meski median hanya sedikit bergerak.

Tentukan kriteria sebelum membandingkan model. Pilot kemudian dapat berakhir dengan pilihan berguna: pertahankan baseline, gunakan checkpoint kecil, atau buktikan alasan konfigurasi lebih menuntut. Masing-masing bisa tepat jika buktinya jelas.

Ramalan seharusnya meninggalkan catatan sebelum besok tiba

Menurut kami, Timestral menarik karena membawa tugas numerik khusus ke alur model yang mudah diakses. Keluarannya dapat menjadi prakiraan cuaca bagi beban kerja: perkiraan tengah, rentang, dan alasan bersiap. Nilainya terlihat ketika prediksi bertemu keputusan perencanaan nyata.

Mulailah dengan satu besaran dan satu horizon. Simpan ramalan sebelum hasil diketahui, lalu bandingkan secara jujur dengan alternatif sederhana. Itu mengubah rilis model menjanjikan menjadi eksperimen yang hasilnya benar-benar bisa digunakan.

Sumber dan media

Diperiksa pada 20 Oktober 2026. Contoh dan grafik bersifat ilustratif, bukan hasil eksekusi model. Tangkapan layar kartu model publik diambil penulis; diagram penjelasan merupakan karya orisinal. Lihat catatan media untuk sumber dan pemberitahuan lisensi.

• Pengumuman Mistral, 15 Oktober 2026
• Kode inferensi resmi, instalasi, dan perbedaan lisensi
• Checkpoint Timestral-5M
• Lisensi checkpoint

Simpan prediksi dan hasilnya bersama

Simpan definisi data, titik potong ramalan, dan catatan peninjauan bersama tautan sumber asli. Telli.sh dapat membantu menata catatan eksperimen itu. Buat akun Telli.sh