[Notatnik pomysłów AI 02] Timestral: prognozuj jutrzejsze liczby, zamiast prosić chatbota o zgadywanie

Notatnik pomysłów AI przybliża idee i praktyczne możliwości nowych modeli i narzędzi AI.

Jutrzejsza kolejka zgłoszeń najpierw jest liczbą, dopiero potem akapitem. Chcesz wiedzieć, czy przydzielić dodatkową osobę, zwiększyć pojemność serwera albo zamówić zwykłą ilość towaru na weekend. Płynne wyjaśnienie przydaje się dopiero wtedy, gdy prognoza ma solidne podstawy.

Timestral, przedstawiony przez Mistral AI 15 października 2026 r., to rodzina modeli prognozujących sekwencje liczb. Zamiast odpowiedzi czatu tworzy przewidywania probabilistyczne, obsługuje powiązane szeregi i jest dostępny w czterech opublikowanych rozmiarach: 5M, 28M, 123M i 209M parametrów. Zapowiedź Mistral

Ten artykuł prowadzi od opisu do pierwszego użytecznego eksperymentu. Przyjrzymy się danym wejściowym, odczytywaniu przedziałów prognozy i porównaniu z prostą metodą odniesienia. Przykłady są propozycjami ćwiczeń: pozwalają sprawdzić ideę bez mylenia ilustracji ze zmierzonym wynikiem.

Strona Timestral-5M firmy Mistral AI, zrzut z 20 października 2026 r. Ekran przedstawia punkt kontrolny modelu prognozowania, a nie wykres z eksperymentu przeprowadzonego do tego artykułu.

Prognoza zaczyna się od zegara i wielkości

Szereg czasowy zapisuje wielkość w kolejnych krokach czasu. Przykładami są żądania w każdej minucie, zamówienia dziennie albo temperatura w regularnych odstępach. Odstęp współtworzy znaczenie: 100 żądań na minutę i 100 na godzinę opisuje zupełnie inne systemy.

Przed wyborem modelu zapisz decyzję jednym zdaniem. „Oszacować dzienną liczbę jutrzejszych zgłoszeń, aby zaplanować obsadę” jest jaśniejsze niż „znaleźć wnioski w danych”. Określa cel, horyzont i działanie, które może się zmienić.

Potem ustal, co oznacza obserwacja. Zgłoszenie utworzone dzisiaj i zgłoszenie rozwiązane dzisiaj to różne zdarzenia. Połączenie ich w jedną wygodną kolumnę może ukryć wąskie gardło, które chcesz zrozumieć.

Timestral pojawia się dopiero po tej definicji. Przetworzy historię liczbową, ale za znaczenie liczb odpowiada zespół. Model nie naprawi celu, który w połowie pliku po cichu zmienia się z żądań na ukończone zadania.

Przydatnym wynikiem jest zakres, na który możesz zareagować

Prognoza punktowa daje jedną liczbę. Probabilistyczna opisuje kilka możliwych poziomów przyszłej wartości, pokazując przestrzeń wokół oszacowania centralnego. Opublikowane wyjście Timestral zawiera 21 kwantyli na prognozowany krok czasu. Repozytorium wnioskowania

Wyobraź sobie ćwiczenie, w którym mediana na jutro wynosi 100 zgłoszeń, a wyższy kwantyl 140. Liczby są wymyślone, lecz pokazują decyzję: zwykła obsada pokrywa wartość centralną, a plan awaryjny bardziej ruchliwy dzień. Prognoza przydaje się, ponieważ zmienia przygotowania.

Kwantyl nie obiecuje, że rzeczywistość pozostanie poniżej linii. Kalibrację trzeba sprawdzać na wielu prognozach historycznych. Jeżeli obserwacje przekraczają prognozowany 90. percentyl znacznie częściej, niż powinny, poziom ten nie jest wiarygodną granicą planowania dla twoich danych.

Właściwa granica zależy też od decyzji. Brak towaru i niewielka nadwyżka mają różne koszty. Dlatego jeden zespół wybierze wyższy kwantyl niż mediana, podczas gdy inne zadanie pozwoli na tańszy, mniej zachowawczy plan.

Autorski schemat objaśniający. Krzywa i zakres są wymyślone, aby pokazać okno prognozy; nie są wynikiem Timestral.

Powiązane sygnały pomagają, gdy uczciwie traktujesz ich czas

Mistral opisuje Timestral jako model wielowymiarowy obsługujący współzmienne dostępne tylko w przeszłości i znane w przyszłości. W praktyce może korzystać z kilku powiązanych sygnałów liczbowych oraz informacji, których przyszłe wartości są już dostępne. Opis wydania

Kalendarz otwarcia sklepu jest znany przed nadejściem jutra. Rzeczywista jutrzejsza sprzedaż nie jest. Eksperyment musi szanować tę różnicę, nawet gdy gotowy arkusz wygodnie zawiera obie kolumny.

W ćwiczeniu planowania serwera zaplanowana premiera produktu może być znana z wyprzedzeniem, lecz dokładny ruch nie. Przy prognozie zamówień można znać oznaczenie święta, podczas gdy końcowa liczba zamówień pozostaje celem. To ilustracje rozróżnienia, nie deklaracje wdrożonych integracji.

Pogoda dobrze pokazuje łatwy błąd. Plik historyczny może zawierać pogodę, która rzeczywiście wystąpiła. Prawdziwa prognoza miałaby tylko ówczesne przewidywania pogody. Ocena z późniejszą obserwacją daje systemowi informację niedostępną w chwili decyzji.

Zacznij od najmniejszego eksperymentu odpowiadającego na pytanie

Oficjalne repozytorium zapewnia samodzielne wnioskowanie na CPU lub GPU. Ścieżka CPU ułatwia pierwszy test, lecz rozmiar modelu nie jest pełną specyfikacją wymagań sprzętowych. Zależności, załadowane tensory, długość historii i liczba szeregów również zużywają pamięć. Instalacja i użycie

Na początek punkt kontrolny 5M jest rozsądnym kandydatem do poznania interfejsu. To proponowany start małego ćwiczenia, nie obietnica przewagi nad większymi modelami na twoich danych. Najpierw uruchom działający przepływ, potem porównuj rozmiary.

1. Otwórz oficjalne repozytorium, przeczytaj instalację i odnośniki licencyjne. Pracuj w osobnym środowisku Python.
2. Przygotuj jeden regularnie próbkowany szereg. Zachowaj znaczniki czasu i jednostki w źródle, nawet jeśli tablica podawana modelowi zawiera wyłącznie wartości.
3. Odłóż ostatnie obserwacje jako horyzont testowy. Nie włączaj ich do historii tej prognozy.
4. Załaduj punkt kontrolny, zleć wybrany horyzont i obejrzyj prognozę centralną oraz kwantyle.
5. Porównaj prostą prognozę z tej samej historii. Powtórz dla kilku wcześniejszych punktów odcięcia przed wyciągnięciem wniosku.

Repozytorium dokumentuje poniższą instalację oraz wymagania Python 3.10 lub nowszy i PyTorch 2.4 lub nowszy. Instalacja pobiera kod; dla odtwarzalnego środowiska przejrzyj i przypnij rewizję.

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

Oto celowo mała adaptacja udokumentowanego interfejsu. Wartości to syntetyczne dzienne liczby; kod nie oznacza, że uruchomiono model lub uzyskano konkretny wynik do tego artykułu.

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))

Trzy tygodnie wymyślonych danych wystarczają do pokazania API, nie do ustalenia jakości dla procesu biznesowego. Zastąp je odpowiednio długim, zrozumiałym szeregiem przed podjęciem decyzji. Sprawdź braki i nietypowe zdarzenia, zamiast po cichu zamieniać każdą lukę na zero.

Trzy zadania pokazują różnicę między prognozą a generowaniem tekstu

Dzienne planowanie wsparcia łączy prognozę z obsadą. Wejściem może być historia zgłoszeń tworzonych każdego dnia i kalendarz weekendów oraz znanych zamknięć. Pytanie oceny brzmi: czy prognoza pomaga przygotować pojemność, zwłaszcza na ruchliwe dni pomijane przez prostą średnią?

Planowanie serwerów łączy prognozę z limitem technicznym. Celem może być liczba żądań w interwale, ale błędy, opóźnienia i dopuszczalna pojemność nadal wymagają osobnego monitorowania. Prognoza popytu nie dowodzi, że aplikacja wytrzyma dane obciążenie.

Planowanie zapasów łączy prognozę z czasem dostawy. Jeśli uzupełnienie trwa kilka dni, sam jutrzejszy popyt ma niewłaściwy horyzont. Przydatne ćwiczenie przewiduje okres, zanim dotrze kolejne zamówienie, i porównuje skutki niedoborów oraz nadwyżek.

Wszystkie przykłady łączy wzorzec: określ wielkość, moment decyzji i to, co zmienia prognoza. Model staje się instrumentem w przepływie pracy. Łatwiej go ocenić, gdy planowane działanie jest widoczne.

Porównuj prognozy w chwili, w której mogły powstać

Test historyczny odtwarza wcześniejsze okazje prognozowania. Wybierz dawny punkt odcięcia, podaj tylko informacje dostępne przed nim i przewidź kolejny odcinek. Przesuwaj odcięcie i powtarzaj, nie pozwalając przyszłym obserwacjom przenikać do wyboru modelu.

Zacznij od metody odniesienia pasującej do wzorca. Wartość z tego samego dnia poprzedniego tygodnia bywa użyteczna dla cyklu tygodniowego; ostatnia wartość dla stabilnego procesu o krótkim horyzoncie. Żadna nie jest automatycznie mocna, ale obie pokazują, czy złożoność się opłaca.

Uwzględniaj okresy zerowe i bliskie zeru. Błąd procentowy trudno interpretować przy bardzo małym celu. Dobierz miary do szeregu i obejrzyj rzeczywiste nietrafienia obok wyniku zbiorczego.

W praktycznym pilotażu mała tabela najgorszych pomyłek często uczy więcej niż jedna średnia. Czy błąd wiązał się z brakiem interwału, świętem, awarią albo rzeczywistą zmianą popytu? Odpowiedź wskazuje, czy poprawić przepływ danych, dodać informację czy zmienić podejście do prognozowania.

Autorski schemat testu historycznego. Każda prognoza korzysta z informacji dostępnych przy swoim odcięciu; późniejsze obserwacje służą ocenie.

Małe wagi to tylko część wdrożenia

Repozytorium rozróżnia kod na Apache 2.0 i wagi modelu na Modified MIT license. Przeczytaj rzeczywiste warunki wybranego punktu kontrolnego: otwarte repozytorium i osobno licencjonowany model są różnymi artefaktami dystrybucji. Wyjaśnienie licencji

Pierwsze pobieranie i zwykłe wnioskowanie to także osobne etapy. Udokumentowany loader może użyć lokalnej pamięci podręcznej, ale aplikacja pozostaje offline tylko wtedy, gdy wszystkie składniki tak działają. Lokalny model prognozowania nie powstrzymuje innej części przepływu przed wysyłaniem danych do usługi zdalnej.

Przy regularnej pracy zapisuj punkt kontrolny każdej prognozy i moment zakończenia danych wejściowych. Wykres bez odcięcia może uchodzić za prognozę, choć uwzględnia późniejsze obserwacje. Nie zmieniaj zapisanych przewidywań, aby porównać je z rzeczywistością.

Usługa powinna mieć plan na brakujące dane i nieudane wykonania. Pokazanie wczorajszej prognozy jako świeżej tworzy myląco zdrowy interfejs. Wyświetl czas ostatnich poprawnych danych i ustal, kiedy prosta metoda odniesienia jest lepsza od nieaktualnego wyniku modelu.

Szybsze przewidywanie przydaje się, gdy poprawia decyzję

Mistral opisuje wnioskowanie przyjazne CPU i mocne wyniki benchmarków rodziny. To powody do sprawdzenia, nie pomiary twojego przepływu danych. Opublikowany czas modelu nie obejmuje każdego odczytu pliku, obliczenia cech, kolejki czy wykresu aplikacji. Zapowiedź z 15 października

Łatwo uczynić celem pilotażu największy model, jaki da się uruchomić. Lepsze pytanie brzmi, czy prognoza dociera przed decyzją i zmniejsza ważne błędy. Nieco trafniejszy wynik dostarczony po terminie ustalania obsady ma ograniczoną wartość operacyjną.

Odróżnij też poprawę liczbową od poprawy polityki. Niższy średni błąd może nie zmienić najkosztowniejszych ruchliwych dni. Z kolei lepiej skalibrowany górny kwantyl może poprawić planowanie, choć mediana zmieni się niewiele.

Ustal kryteria przed porównaniem modeli. Pilotaż zakończy się wtedy użytecznym wyborem: zachować metodę odniesienia, użyć małego modelu albo uzasadnić bardziej wymagającą konfigurację. Każde rozwiązanie może być właściwe, gdy dowody są jasne.

Prognoza powinna zostawić ślad, zanim nadejdzie jutro

Naszym zdaniem Timestral jest interesujący, bo wprowadza wyspecjalizowane zadanie liczbowe do przystępnego przepływu modelowego. Wynik może działać jak prognoza pogody dla obciążenia: wartość centralna, zakres i powód do przygotowania. Wartość pojawia się przy rzeczywistej decyzji planistycznej.

Zacznij od jednej wielkości i jednego horyzontu. Zapisz przewidywanie, zanim poznasz wynik, a potem rzetelnie porównaj je z prostą alternatywą. Tak obiecująca publikacja zmienia się w eksperyment, którego rezultat da się wykorzystać.

Źródła i materiały graficzne

Sprawdzono 20 października 2026 r. Przykłady i wykresy są ilustracyjne, nie wynikają z uruchomienia modelu. Autor wykonał zrzut publicznej karty; schematy są autorskie. Źródła i informacje licencyjne zawiera rejestr materiałów.

• Zapowiedź Mistral z 15 października 2026 r.
• Oficjalny kod wnioskowania, instalacja i rozróżnienie licencji
• Punkt kontrolny Timestral-5M
• Licencja punktu kontrolnego

Zachowaj przewidywanie razem z wynikiem

Zapisz definicję danych, odcięcie prognozy i notatki z oceny obok linków do oryginalnych źródeł. Telli.sh pomaga uporządkować taki zapis eksperymentu. Utwórz konto Telli.sh