[Caderno de ideias de IA 02] Timestral: preveja os números de amanhã sem pedir palpites a um chatbot

Caderno de ideias de IA explora as ideias e as possibilidades práticas de modelos e ferramentas de IA que estão surgindo.

A fila de atendimento de amanhã é um número antes de virar um parágrafo. Você talvez queira saber se precisa escalar mais uma pessoa, ampliar a capacidade de um servidor ou ajustar o pedido habitual de estoque para o fim de semana. Uma explicação fluente só ajuda quando a previsão tem uma base sólida.

O Timestral, apresentado pela Mistral AI em 15 de outubro de 2026, é uma família de modelos para prever sequências numéricas. Produz previsões probabilísticas em vez de respostas de chat, aceita várias séries relacionadas e tem quatro tamanhos publicados: 5M, 28M, 123M e 209M de parâmetros. Anúncio da Mistral

Esta introdução leva dessa descrição a um primeiro experimento útil. Vamos examinar o que fornecer ao modelo, como interpretar um intervalo de previsão e como compará-lo a uma referência simples. Os exemplos são exercícios propostos, permitindo testar a ideia sem confundir uma ilustração com um resultado medido.

Página do Timestral-5M da Mistral AI, capturada em 20 de outubro de 2026. A tela identifica um checkpoint de previsão; não é um gráfico de um experimento realizado para este artigo.

Uma previsão começa com um relógio e uma quantidade

Uma série temporal registra uma quantidade em instantes sucessivos. Pode representar solicitações por minuto, pedidos por dia ou temperatura em intervalos regulares. O espaçamento faz parte do significado: 100 solicitações por minuto e 100 por hora descrevem sistemas muito diferentes.

Antes de escolher um modelo, escreva a decisão em uma frase. “Estimar o volume diário de atendimento de amanhã para planejar a cobertura” é mais claro do que “encontrar informações nos dados”. Isso define o alvo, o horizonte e a ação que pode mudar.

Depois, decida o que cada observação representa. Um chamado criado hoje e um resolvido hoje são eventos diferentes. Juntá-los em uma coluna conveniente pode esconder justamente o gargalo que você queria entender.

O Timestral entra depois dessa definição. Ele pode processar um histórico numérico, mas a equipe continua responsável pelo significado dos números. Um modelo não corrige um alvo que troca silenciosamente solicitações por tarefas concluídas no meio do arquivo.

A saída útil é um intervalo que orienta ações

Uma previsão pontual fornece um número. Uma previsão probabilística descreve vários níveis possíveis do valor futuro, ajudando a enxergar a margem em torno da estimativa central. A saída publicada do Timestral inclui 21 quantis por instante previsto. Repositório de inferência

Imagine um exercício em que a mediana para amanhã seja 100 chamados e um quantil superior seja 140. São números inventados, mas mostram a decisão: a equipe habitual pode cobrir a estimativa central, enquanto um plano de reserva atende a um dia mais cheio. A previsão ajuda porque muda a preparação.

Um quantil não promete que a realidade ficará abaixo de uma linha. É preciso verificar a calibração em previsões históricas repetidas. Se as observações excederem uma previsão supostamente do percentil 90 com frequência muito maior que a esperada, esse nível não funciona como limite de planejamento confiável para seus dados.

O limite adequado também depende da decisão. Ficar sem estoque e manter um pequeno excedente têm custos diferentes. Por isso, uma equipe pode agir com base em um quantil superior à mediana, enquanto outra tarefa permite um plano mais barato e menos conservador.

Diagrama explicativo original. A curva e o intervalo são inventados para explicar uma janela de previsão; não são uma saída do Timestral.

Sinais relacionados só ajudam quando respeitam o tempo

A Mistral descreve o Timestral como um modelo multivariado que aceita covariáveis disponíveis apenas no passado e covariáveis futuras já conhecidas. Em termos práticos, ele pode usar vários sinais numéricos relacionados e informações cujos valores futuros já estão disponíveis. Descrição do lançamento

O calendário de funcionamento de uma loja é conhecido antes de amanhã. As vendas reais de amanhã, não. Um experimento de previsão precisa respeitar essa diferença, mesmo quando a planilha completa contém convenientemente as duas colunas.

Em um exercício de capacidade de servidores, o lançamento programado de um produto pode ser conhecido, mas o volume exato de solicitações permanece desconhecido. Em um exercício de pedidos, um indicador de feriado pode estar disponível, enquanto a quantidade final de pedidos é o alvo. São exemplos dessa distinção, não alegações de uma integração em produção.

O clima ilustra um erro fácil de cometer. Um arquivo histórico pode conter o clima que realmente ocorreu. Uma previsão real só teria acesso à previsão meteorológica disponível naquele momento. Avaliar usando a observação posterior dá ao sistema uma informação que ele não teria ao decidir.

Comece com o menor experimento capaz de responder a uma pergunta

O repositório oficial oferece inferência independente em CPU ou GPU. A opção de CPU torna o primeiro teste acessível sem tratar o tamanho do modelo como requisito completo de hardware. Dependências, tensores carregados, extensão do histórico e quantidade de séries também consomem memória de execução. Instalação e uso

Para uma introdução, o checkpoint 5M é um candidato razoável para conhecer a interface. É uma sugestão para um pequeno exercício, não uma alegação de que superará modelos maiores nos seus dados. Estabeleça um fluxo funcional antes de comparar tamanhos.

1. Abra o repositório oficial e revise as instruções de instalação e os links de licença. Use um ambiente Python separado.
2. Prepare uma série amostrada regularmente. Preserve datas, horários e unidades no arquivo de origem, mesmo que o vetor numérico passado ao modelo tenha apenas valores.
3. Reserve as últimas observações como horizonte de teste. Não as inclua no histórico usado para essa previsão.
4. Carregue um checkpoint, solicite o horizonte escolhido e examine tanto a previsão central quanto os quantis.
5. Compare com uma previsão simples produzida a partir do mesmo histórico. Repita em vários cortes anteriores antes de concluir.

O repositório documenta esta instalação, com Python 3.10 ou superior e PyTorch 2.4 ou superior como requisitos declarados. A instalação busca código; revise e fixe uma revisão quando precisar de um ambiente reproduzível.

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

A seguir, uma adaptação propositalmente pequena da interface documentada de inferência. Os valores são contagens diárias sintéticas; o código não implica que o artigo executou o modelo ou obteve determinado resultado.

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))

Três semanas inventadas bastam para ilustrar a API, não para demonstrar desempenho em um processo de negócio. Substitua-as por uma série suficientemente longa e bem compreendida antes de decidir. Verifique observações ausentes e eventos atípicos, em vez de transformar silenciosamente toda lacuna em zero.

Três tarefas mostram por que prever difere de gerar texto

O planejamento diário de atendimento liga a previsão à escala da equipe. A entrada pode ser o histórico de chamados criados por dia, acompanhado de um calendário de fins de semana e fechamentos conhecidos. A pergunta é se a previsão ajuda a preparar capacidade, sobretudo nos dias mais cheios que uma média simples não identifica.

O planejamento de servidores liga a previsão a um limite técnico. As solicitações por intervalo podem ser o alvo, mas erros, latência e capacidade aceita exigem monitoramento separado. Prever a demanda esperada não demonstra que uma aplicação suportará uma carga específica.

O planejamento de estoque liga a previsão ao prazo de reposição. Se repor leva vários dias, prever apenas a demanda de amanhã usa o horizonte errado. O exercício útil prevê o intervalo em que o próximo pedido ainda não pode chegar e compara as consequências da falta e do excesso de estoque.

Os três exemplos compartilham um padrão: definir a quantidade, o momento da decisão e o que muda por causa da previsão. O modelo se torna um instrumento dentro do fluxo de trabalho. É mais fácil avaliá-lo quando a ação pretendida está visível.

Compare previsões no momento em que poderiam ter sido feitas

Um backtest recria oportunidades anteriores de previsão. Escolha uma data de corte histórica, forneça somente as informações disponíveis antes dela e preveja o próximo intervalo. Avance o corte e repita, sem deixar observações futuras vazarem para a seleção do modelo.

Comece com uma referência compatível com o padrão. O valor da semana anterior no mesmo dia pode ajudar em um ciclo semanal; o valor mais recente pode servir a um processo estável de curto prazo. Nenhuma referência é automaticamente forte, mas ambas mostram se a complexidade adicional compensa.

Observe os períodos com zero ou valores próximos de zero. Um erro percentual pode ser difícil de interpretar quando o alvo é minúsculo. Use métricas adequadas à série e examine as falhas reais ao lado da pontuação agregada.

Em um piloto prático, uma pequena tabela dos maiores erros frequentemente ensina mais do que uma média destacada. O erro está ligado a um intervalo ausente, feriado, indisponibilidade do sistema ou mudança real na demanda? A resposta indica se é necessário melhorar os dados, acrescentar informações ou reconsiderar a abordagem de previsão.

Diagrama original de backtesting. Cada previsão usa as informações disponíveis em seu próprio corte; observações posteriores ficam reservadas para a avaliação.

Pesos pequenos são só uma parte da implantação

O repositório diferencia código Apache 2.0 de pesos distribuídos sob uma licença MIT modificada. Leia os termos dos pesos do checkpoint escolhido; um repositório aberto e um modelo com licença própria são artefatos de distribuição distintos. Explicação das licenças

Downloads iniciais e inferência normal também são etapas diferentes. O carregador documentado pode usar um modelo local em cache, mas uma aplicação só permanece offline quando todos os seus componentes permanecem. Um modelo local de previsão não impede que outra parte do fluxo envie dados a um serviço remoto.

Na operação recorrente, registre o checkpoint que produziu cada previsão e o limite temporal dos dados de entrada. Um gráfico sem esse corte pode parecer uma previsão mesmo quando incorpora observações posteriores. Preserve os valores previstos para compará-los depois com o que ocorreu.

Um serviço de previsão também precisa de um plano para dados ausentes e execuções malsucedidas. Mostrar a previsão de ontem como se fosse nova cria uma interface enganosamente saudável. Exiba o horário da última atualização bem-sucedida e decida quando uma referência simples é preferível a uma saída antiga do modelo.

Uma previsão mais rápida só ajuda se melhorar a decisão

A Mistral informa inferência adequada a CPU e bons resultados em benchmarks para a família. Isso justifica investigar, mas não mede seu próprio fluxo de dados. O tempo publicado de um modelo não inclui todas as possíveis leituras de arquivos, cálculos de características, filas ou gráficos de uma aplicação. Anúncio de 15 de outubro

É comum transformar o piloto em uma busca pelo maior checkpoint que consegue rodar. Uma pergunta melhor é se a previsão chega antes da decisão e melhora os erros importantes. Um resultado um pouco mais preciso entregue depois do prazo da escala tem valor operacional limitado.

Separe também melhora numérica de melhora da política. Um erro médio menor pode não alterar os dias cheios mais caros. Por outro lado, um quantil superior mais bem calibrado pode melhorar o planejamento mesmo que a mediana quase não mude.

Defina esses critérios antes de comparar modelos. Assim, o piloto pode terminar com uma escolha útil: manter a referência, usar um checkpoint pequeno ou justificar uma configuração mais exigente. Qualquer uma pode ser a escolha certa quando há evidências claras.

A previsão deve deixar um registro antes de amanhã chegar

Na nossa visão, o Timestral interessa porque traz uma tarefa numérica especializada para um fluxo acessível de modelos. Sua saída pode funcionar como uma previsão do tempo para a carga de trabalho: uma expectativa central, um intervalo e um motivo para se preparar. O valor aparece quando essas previsões encontram uma decisão real de planejamento.

Comece com uma quantidade e um horizonte. Salve a previsão antes de conhecer o resultado e compare-a honestamente com uma alternativa simples. Isso transforma um lançamento promissor em um experimento cujo resultado você realmente pode usar.

Fontes e mídia

Conferido em 20 de outubro de 2026. Exemplos e gráficos são ilustrativos, não resultados de execução do modelo. A captura da página pública foi feita pelo autor; os diagramas explicativos são originais. Consulte as fontes e os avisos de licença no registro de mídia.

• Anúncio da Mistral, 15 de outubro de 2026
• Código oficial de inferência, instalação e distinção de licenças
• Checkpoint Timestral-5M
• Licença do checkpoint

Mantenha a previsão e o resultado juntos

Guarde a definição dos dados, o corte da previsão e as notas de revisão junto aos links originais. O Telli.sh pode ajudar a organizar esse registro do experimento. Crie uma conta no Telli.sh