[Buku Nota Idea AI 02] Timestral: ramalkan angka esok tanpa meminta chatbot meneka

Buku Nota Idea AI meneroka idea dan kemungkinan penggunaan praktikal di sebalik model serta alat AI yang baru muncul.

Barisan sokongan esok ialah angka sebelum menjadi perenggan. Anda mungkin ingin tahu sama ada perlu menugaskan seorang lagi kakitangan, sama ada pelayan memerlukan lebih banyak kapasiti atau sama ada pesanan stok biasa mencukupi untuk hujung minggu. Penjelasan yang lancar hanya berguna selepas ramalan mempunyai asas yang kukuh.

Timestral, yang diperkenalkan oleh Mistral AI pada 15 Oktober 2026, ialah keluarga model untuk meramalkan jujukan angka. Ia menghasilkan ramalan kebarangkalian dan bukannya balasan sembang, menyokong beberapa siri berkaitan dan diterbitkan dalam empat saiz: 5M, 28M, 123M dan 209M parameter. Pengumuman Mistral

Pengenalan ini membawa anda daripada penerangan itu kepada eksperimen awal yang berguna. Kami akan melihat input yang perlu diberikan kepada model, cara membaca julat ramalan dan cara membandingkannya dengan garis dasar mudah. Contohnya ialah latihan yang dicadangkan, supaya anda boleh mencuba idea tanpa tersalah anggap ilustrasi sebagai hasil terukur.

Halaman Timestral-5M Mistral AI, dirakam pada 20 Oktober 2026. Skrin ini mengenal pasti titik semak ramalan; ia bukan carta daripada eksperimen yang dijalankan untuk artikel ini.

Ramalan bermula dengan jam dan kuantiti

Siri masa merekodkan sesuatu kuantiti pada langkah masa berturutan. Contohnya termasuk bilangan permintaan setiap minit, pesanan sehari atau suhu pada sela tetap. Jarak masa merupakan sebahagian daripada maknanya: 100 permintaan seminit dan 100 permintaan sejam menerangkan sistem yang sangat berbeza.

Sebelum memilih model, tulis keputusan itu dalam satu ayat. “Anggarkan jumlah sokongan harian esok supaya kami boleh merancang liputan” lebih jelas daripada “cari cerapan dalam data kami”. Ia menetapkan sasaran, ufuk ramalan dan tindakan yang mungkin berubah.

Kemudian tentukan perkara yang diwakili oleh satu pemerhatian. Tiket sokongan yang dicipta hari ini dan tiket yang diselesaikan hari ini ialah peristiwa berbeza. Menggabungkannya ke dalam satu lajur yang mudah boleh mengaburkan kesesakan yang sebenarnya ingin anda fahami.

Timestral digunakan selepas takrif ini. Ia boleh memproses sejarah angka, tetapi pasukan masih bertanggungjawab terhadap makna angka tersebut. Model tidak boleh membaiki sasaran yang diam-diam berubah daripada permintaan kepada tugasan selesai di pertengahan fail.

Output yang berguna ialah julat yang boleh dijadikan asas tindakan

Ramalan titik memberikan satu angka. Ramalan kebarangkalian menerangkan beberapa aras yang mungkin bagi nilai masa hadapan, sekali gus membantu anda melihat ruang di sekitar anggaran pusat. Output Timestral yang diterbitkan merangkumi 21 kuantil bagi setiap langkah masa yang diramal. Repositori inferens

Bayangkan latihan yang dirancang dengan median ramalan esok sebanyak 100 tiket dan kuantil lebih tinggi sebanyak 140. Angka ini direka, tetapi menunjukkan keputusannya: kakitangan biasa mungkin mencukupi untuk anggaran pusat, manakala rancangan sandaran menampung hari yang lebih sibuk. Ramalan itu berguna kerana ia mengubah cara anda bersedia.

Kuantil bukan janji bahawa realiti akan kekal di bawah sesuatu garisan. Anda perlu memeriksa penentukuran melalui ramalan sejarah yang berulang. Jika pemerhatian melebihi ramalan yang dikatakan persentil ke-90 jauh lebih kerap daripada jangkaan, aras itu tidak berfungsi sebagai sempadan perancangan yang boleh dipercayai bagi data anda.

Sempadan yang sesuai juga bergantung pada keputusan. Kehabisan stok dan menyimpan sedikit stok tambahan mempunyai kos berbeza. Oleh itu, sesebuah pasukan mungkin bertindak berdasarkan kuantil yang lebih tinggi daripada median, sedangkan tugas lain boleh menerima rancangan lebih murah yang kurang berhati-hati.

Rajah penerangan asal. Lengkung dan julat direka untuk menerangkan tetingkap ramalan; ia bukan output Timestral.

Isyarat berkaitan hanya membantu jika masa ketersediaannya tepat

Mistral menerangkan Timestral sebagai model multivariat dengan sokongan bagi kovariat yang hanya tersedia pada masa lalu dan kovariat masa hadapan yang sudah diketahui. Dalam bahasa biasa, ia boleh menggunakan beberapa isyarat angka berkaitan serta maklumat yang nilai masa hadapannya sudah tersedia. Penerangan keluaran

Kalendar pembukaan kedai diketahui sebelum hari esok tiba. Jualan sebenar esok tidak diketahui. Eksperimen ramalan mesti menghormati perbezaan itu walaupun hamparan lengkap mengandungi kedua-dua lajur dengan mudah.

Bagi latihan kapasiti pelayan, pelancaran produk yang dijadualkan mungkin diketahui lebih awal, sedangkan jumlah permintaan yang tepat masih belum diketahui. Bagi latihan jumlah pesanan, penunjuk cuti mungkin tersedia, manakala bilangan akhir pesanan ialah sasaran. Ini ialah contoh penggunaan perbezaan tersebut, bukannya dakwaan tentang integrasi yang telah dilaksanakan.

Cuaca ialah contoh berguna bagi kesilapan yang mudah berlaku. Fail sejarah mungkin mengandungi cuaca yang benar-benar berlaku. Ramalan sebenar hanya mempunyai ramalan cuaca yang tersedia pada masa itu. Menilai menggunakan pemerhatian kemudian memberi sistem maklumat yang belum dimilikinya ketika membuat keputusan.

Mulakan dengan eksperimen terkecil yang menjawab soalan

Repositori rasmi menyediakan inferens kendiri pada CPU atau GPU. Laluan CPU menjadikan ujian awal lebih mudah dicapai tanpa menganggap saiz model sebagai keperluan perkakasan yang lengkap. Kebergantungan, tensor yang dimuatkan, panjang sejarah dan bilangan siri masih menyumbang kepada penggunaan memori semasa pelaksanaan. Pemasangan dan penggunaan

Untuk pengenalan, titik semak 5M ialah calon yang munasabah bagi meneroka antara muka. Ini ialah titik permulaan yang dicadangkan untuk latihan kecil, bukannya dakwaan bahawa ia akan mengatasi titik semak lebih besar pada data anda. Wujudkan aliran pemprosesan yang berfungsi sebelum membandingkan saiz model.

1. Buka repositori rasmi dan periksa arahan pemasangan serta pautan lesennya. Bekerja dalam persekitaran Python yang berasingan.
2. Sediakan satu siri yang disampel secara tetap. Kekalkan cap masa dan unit dalam fail sumber walaupun tatasusunan angka yang diberikan kepada model hanya mengandungi nilai.
3. Simpan beberapa pemerhatian terakhir sebagai ufuk ujian. Jangan masukkannya dalam sejarah yang digunakan untuk ramalan itu.
4. Muatkan titik semak, minta ufuk yang dipilih dan periksa ramalan pusat serta kuantilnya.
5. Bandingkan dengan ramalan mudah yang dibuat daripada sejarah yang sama. Ulang pada beberapa titik potong lebih awal sebelum membuat kesimpulan.

Repositori itu mendokumenkan laluan pemasangan ini, dengan Python 3.10 atau lebih baharu serta PyTorch 2.4 atau lebih baharu sebagai keperluan yang dinyatakan. Pemasangan mendapatkan kod; semak dan tetapkan semakan versi apabila anda memerlukan persekitaran yang boleh dihasilkan semula.

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 ialah penyesuaian yang sengaja kecil bagi antara muka inferens yang didokumenkan. Nilainya ialah kiraan harian sintetik; kod itu tidak bermaksud artikel ini telah menjalankan 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))

Data rekaan selama tiga minggu mencukupi untuk menggambarkan API, bukannya membuktikan prestasi pada proses perniagaan. Gantikannya dengan siri yang cukup panjang dan difahami dengan baik sebelum membuat keputusan. Periksa pemerhatian yang hilang dan peristiwa luar biasa, bukannya menukar setiap jurang kepada sifar secara senyap.

Tiga tugas menunjukkan sebab ramalan berbeza daripada penjanaan teks

Perancangan sokongan harian menghubungkan ramalan dengan penugasan kakitangan. Inputnya mungkin sejarah tiket yang dicipta setiap hari, bersama kalendar yang menandakan hujung minggu dan penutupan diketahui. Soalan semakannya ialah sama ada ramalan membantu menyediakan kapasiti, khususnya bagi hari lebih sibuk yang tidak dikesan oleh purata mudah.

Perancangan pelayan menghubungkan ramalan dengan had teknikal. Permintaan bagi setiap sela mungkin menjadi sasaran, tetapi ralat, kependaman dan kapasiti yang boleh diterima masih perlu dipantau secara berasingan. Ramalan permintaan yang dijangka tidak dapat membuktikan bahawa aplikasi akan bertahan pada beban tertentu.

Perancangan stok menghubungkan ramalan dengan tempoh menunggu bekalan. Jika penambahan stok mengambil beberapa hari, permintaan esok sahaja ialah ufuk yang salah. Latihan yang berguna meramalkan sela sebelum pesanan seterusnya boleh tiba dan membandingkan akibat kekurangan serta lebihan stok.

Ketiga-tiga contoh berkongsi corak: takrifkan kuantiti, takrifkan masa keputusan dibuat dan takrifkan perubahan yang berlaku disebabkan ramalan. Model kemudian menjadi alat dalam aliran kerja. Alat itu lebih mudah dinilai apabila tindakan yang dimaksudkan kelihatan jelas.

Bandingkan ramalan pada saat ia benar-benar boleh dibuat

Ujian retrospektif mencipta semula peluang ramalan yang terdahulu. Pilih titik potong sejarah, berikan hanya maklumat yang tersedia sebelumnya dan ramalkan sela seterusnya. Gerakkan titik potong ke hadapan dan ulang tanpa membiarkan pemerhatian masa hadapan bocor ke belakang dalam pemilihan model.

Mulakan dengan garis dasar yang sepadan dengan corak. Nilai minggu lalu bagi hari yang sama mungkin berguna untuk kitaran mingguan; nilai paling terkini mungkin berguna untuk proses stabil dengan ufuk pendek. Kedua-duanya tidak semestinya kuat, tetapi kedua-duanya memberitahu sama ada kerumitan tambahan berbaloi.

Jangan abaikan tempoh bernilai sifar dan hampir sifar. Ralat peratusan boleh menjadi sukar ditafsir apabila sasaran amat kecil. Gunakan metrik yang sesuai untuk siri tersebut dan periksa kesilapan sebenar bersama skor agregat.

Untuk projek rintis praktikal, jadual kecil bagi kesilapan terburuk sering memberi lebih banyak pengajaran daripada satu purata utama. Adakah ralat berkaitan sela yang hilang, cuti, gangguan sistem atau perubahan sebenar dalam permintaan? Jawapannya menentukan sama ada perlu memperbaiki aliran data, menambah maklumat atau mempertimbangkan semula pendekatan ramalan.

Rajah ujian retrospektif asal. Setiap ramalan menggunakan maklumat yang tersedia pada titik potongnya sendiri; pemerhatian kemudian disimpan untuk pemarkahan.

Pemberat kecil hanyalah sebahagian daripada pelaksanaan

Repositori membezakan kod Apache 2.0 daripada pemberat model yang diterbitkan di bawah lesen MIT Diubah Suai. Baca syarat pemberat sebenar untuk titik semak yang anda pilih; repositori terbuka dan model berlesen berasingan ialah artifak pengedaran yang berbeza. Penerangan lesen repositori

Muat turun awal dan inferens biasa juga merupakan peringkat berbeza. Pemuat yang didokumenkan boleh menggunakan model setempat dalam cache, tetapi aplikasi hanya kekal luar talian apabila semua komponennya juga begitu. Model ramalan setempat tidak menghalang bahagian aliran kerja lain daripada menghantar data ke perkhidmatan jauh.

Untuk operasi berulang, rekodkan titik semak yang menghasilkan setiap ramalan dan masa akhir data inputnya. Carta tanpa titik potong itu boleh disalah anggap sebagai ramalan walaupun ia merangkumi pemerhatian yang datang kemudian. Kekalkan nilai ramalan tanpa perubahan supaya anda boleh membandingkannya dengan kejadian sebenar selepas itu.

Perkhidmatan ramalan juga sepatutnya mempunyai rancangan bagi data yang hilang dan pelaksanaan yang gagal. Menunjukkan ramalan semalam seolah-olah masih baharu menghasilkan antara muka yang mengelirukan kerana kelihatan sihat. Paparkan cap masa data terakhir yang berjaya diproses dan tentukan masa garis dasar mudah lebih baik daripada output model yang lapuk.

Ramalan lebih pantas hanya berguna jika keputusan bertambah baik

Mistral melaporkan inferens yang sesuai untuk CPU dan hasil penanda aras yang kukuh bagi keluarga ini. Itu sebab untuk menyiasat, bukannya ukuran aliran data anda sendiri. Masa model yang diterbitkan tidak merangkumi setiap kemungkinan pembacaan fail, pengiraan ciri, barisan atau carta dalam aplikasi. Pengumuman 15 Oktober

Terdapat kecenderungan biasa untuk menjadikan projek rintis tertumpu pada titik semak terbesar yang boleh dijalankan. Soalan lebih baik ialah sama ada ramalan tiba sebelum keputusan dan memperbaiki ralat yang penting. Hasil yang sedikit lebih tepat tetapi tiba selepas tarikh akhir penjadualan kakitangan mempunyai nilai operasi terhad.

Anda juga perlu membezakan penambahbaikan angka daripada penambahbaikan dasar. Ralat purata lebih rendah mungkin tidak mengubah hari sibuk yang paling mahal. Sebaliknya, kuantil atas yang ditentukur lebih baik boleh memperbaiki perancangan walaupun median hanya berubah sedikit.

Tetapkan kriteria ini sebelum membandingkan model. Projek rintis kemudian boleh berakhir dengan pilihan berguna: kekalkan garis dasar, gunakan titik semak kecil atau wajarkan konfigurasi yang lebih menuntut. Setiap pilihan boleh menjadi hasil yang betul apabila buktinya jelas.

Ramalan sepatutnya meninggalkan rekod sebelum esok tiba

Pada pandangan kami, Timestral menarik kerana membawa tugas angka khusus ke dalam aliran penggunaan model yang mudah dicapai. Outputnya boleh bertindak seperti ramalan cuaca untuk beban kerja: jangkaan pusat, julat dan sebab untuk bersedia. Nilainya muncul apabila ramalan itu bertemu keputusan perancangan sebenar.

Mulakan dengan satu kuantiti dan satu ufuk. Simpan ramalan sebelum hasil diketahui, kemudian bandingkannya secara jujur dengan alternatif mudah. Itu menukar keluaran model yang menjanjikan kepada eksperimen yang hasilnya benar-benar boleh anda gunakan.

Sumber dan media

Disemak pada 20 Oktober 2026. Contoh dan carta ialah ilustrasi, bukannya hasil pelaksanaan model. Tangkapan skrin kad model awam dirakam oleh penulis; rajah penerangan ialah karya asal. Lihat rekod media untuk sumber dan notis lesen.

• Pengumuman Mistral, 15 Oktober 2026
• Kod inferens rasmi, pemasangan dan perbezaan lesen
• Titik semak Timestral-5M
• Lesen titik semak

Simpan ramalan dan hasil sebenar bersama

Simpan takrif data, titik potong ramalan dan nota semakan bersama pautan sumber asal. Telli.sh boleh membantu menyusun rekod eksperimen itu. Cipta akaun Telli.sh