[Блокнот идей ИИ 02] Timestral: прогноз чисел на завтра без догадок чат-бота

«Блокнот идей ИИ» знакомит с идеями и практическими возможностями новых моделей и инструментов искусственного интеллекта.

Завтрашняя очередь поддержки сначала выражается числом, а уже потом абзацем текста. Возможно, вам нужно понять, стоит ли добавить сотрудника, увеличить мощность сервера или заказать больше товара к выходным. Гладкое объяснение полезно лишь тогда, когда за прогнозом есть надежное основание.

Timestral, представленный Mistral AI 15 октября 2026 года, — семейство моделей для прогнозирования числовых последовательностей. Вместо ответов в чате оно выдает вероятностные прогнозы, поддерживает несколько связанных рядов и опубликовано в четырех размерах: 5M, 28M, 123M и 209M параметров. Анонс Mistral

Эта статья поможет перейти от описания к первому полезному эксперименту. Разберемся, что подавать модели, как читать диапазон прогноза и как сравнивать его с простым базовым методом. Примеры предложены как упражнения: можно проверить идею, не принимая иллюстрацию за измеренный результат.

Страница Timestral-5M от Mistral AI, снимок от 20 октября 2026 года. Экран обозначает чекпойнт прогнозирования, а не график эксперимента, проведенного для этой статьи.

Прогноз начинается со времени и величины

Временной ряд записывает величину в последовательные моменты времени. Это могут быть запросы за минуту, заказы за день или температура через равные интервалы. Частота входит в смысл: 100 запросов в минуту и 100 в час описывают совсем разные системы.

До выбора модели сформулируйте решение одним предложением. «Оценить завтрашнее число обращений, чтобы спланировать смену» понятнее, чем «найти инсайты в данных». Здесь определены целевая величина, горизонт и действие, которое может измениться.

Затем решите, что представляет одно наблюдение. Созданная сегодня заявка и закрытая сегодня заявка — разные события. Объединение их в удобный столбец способно скрыть именно то узкое место, которое требовалось понять.

Место Timestral — после этого определения. Модель умеет обрабатывать числовую историю, но за смысл чисел отвечает команда. Она не исправит цель, которая незаметно меняется с запросов на выполненные задания посреди файла.

Полезный результат — диапазон для принятия решений

Точечный прогноз дает одно число. Вероятностный описывает несколько возможных уровней будущей величины, позволяя увидеть разброс вокруг центральной оценки. Опубликованный выход Timestral содержит 21 квантиль для каждого прогнозируемого шага. Репозиторий инференса

Представьте учебный опыт, где медиана на завтра — 100 обращений, а верхний квантиль — 140. Числа выдуманы, но решение понятно: обычная смена покрывает центральную оценку, резервный план — более загруженный день. Прогноз полезен тем, что меняет подготовку.

Квантиль не обещает, что реальность останется ниже линии. Калибровку нужно проверять на повторных исторических прогнозах. Если наблюдения намного чаще ожидаемого превышают заявленный 90-й процентиль, этот уровень не работает как надежная граница планирования для ваших данных.

Подходящая граница зависит и от решения. Дефицит товара и небольшой лишний запас стоят по-разному. Поэтому одна команда может ориентироваться на квантиль выше медианы, а другая задача допускает более дешевый, менее консервативный план.

Оригинальная поясняющая схема. Кривая и диапазон выдуманы для объяснения окна прогноза и не являются выходом Timestral.

Связанные сигналы помогают, только если честно учитывать время

Mistral описывает Timestral как многомерную модель с поддержкой ковариат, известных только в прошлом, и ковариат с заранее известными будущими значениями. Проще говоря, она может использовать несколько связанных числовых сигналов и информацию, будущее значение которой уже доступно. Описание релиза

Календарь работы магазина известен до наступления завтра. Фактические завтрашние продажи — нет. Эксперимент обязан соблюдать это различие, даже если в готовой таблице удобно присутствуют оба столбца.

В задаче серверной мощности запуск продукта может быть запланирован заранее, тогда как точное число запросов неизвестно. Для объема заказов доступен признак праздника, а конечное число заказов остается целью. Это иллюстрации различия, а не примеры заявленных производственных интеграций.

Погода хорошо показывает распространенную ошибку. Исторический файл может содержать фактически наблюдавшуюся погоду. Реальному прогнозу был бы доступен лишь прогноз погоды того времени. Оценка с более поздним наблюдением дает системе сведения, которых при принятии решения у нее не было.

Начните с наименьшего эксперимента, отвечающего на вопрос

Официальный репозиторий предлагает самостоятельный инференс на CPU или GPU. Вариант с CPU делает первую пробу доступнее, но размер модели не заменяет полного списка аппаратных требований. Зависимости, загруженные тензоры, длина истории и число рядов тоже расходуют оперативную память. Установка и использование

Для знакомства с интерфейсом разумно начать с чекпойнта 5M. Это рекомендация для небольшого упражнения, а не обещание превзойти крупные модели на ваших данных. До сравнения размеров соберите работающий конвейер.

1. Откройте официальный репозиторий, изучите установку и ссылки на лицензии. Работайте в отдельном окружении Python.
2. Подготовьте один ряд с регулярным шагом. Сохраните временные метки и единицы в исходном файле, даже если в числовом массиве для модели будут только значения.
3. Отложите несколько последних наблюдений как тестовый горизонт. Не включайте их в историю данного прогноза.
4. Загрузите чекпойнт, запросите выбранный горизонт и рассмотрите центральный прогноз и квантили.
5. Сравните с простым прогнозом на той же истории. Повторите для нескольких более ранних точек отсечения, прежде чем делать вывод.

Репозиторий документирует этот способ установки, заявляя Python 3.10 или новее и PyTorch 2.4 или новее. Установка скачивает код; для воспроизводимого окружения изучите и закрепите ревизию.

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

Вот намеренно небольшая адаптация документированного интерфейса инференса. Значения — синтетические дневные количества; код не означает, что для статьи запускали модель или получили определенный результат.

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))

Трех недель выдуманных данных достаточно для иллюстрации API, но недостаточно для доказательства качества на бизнес-процессе. Перед решением замените их достаточно длинным и понятным рядом. Проверьте пропуски и необычные события вместо молчаливого превращения каждой пустоты в ноль.

Три задачи показывают отличие прогноза от генерации текста

Ежедневное планирование поддержки связывает прогноз со сменами. На входе может быть история созданных обращений с календарем выходных и известных закрытий. Вопрос проверки — помогает ли прогноз подготовить ресурсы, особенно к загруженным дням, которые пропускает простое среднее.

Планирование серверов связывает прогноз с техническим пределом. Целью могут быть запросы за интервал, но ошибки, задержка и допустимая мощность требуют отдельного мониторинга. Оценка ожидаемого спроса не доказывает, что приложение выдержит конкретную нагрузку.

Планирование запасов связывает прогноз со сроком поставки. Если пополнение идет несколько дней, спрос только на завтра — неверный горизонт. Полезный эксперимент охватывает время, пока следующий заказ еще не может прибыть, и сравнивает последствия дефицита и излишков.

Во всех примерах один принцип: определить величину, момент решения и то, что меняется благодаря прогнозу. Модель становится инструментом рабочего процесса. Оценивать его проще, когда предполагаемое действие видно.

Сравнивайте прогнозы в моменты, когда их можно было сделать

Бэктест воссоздает прошлые возможности прогнозирования. Выберите историческую точку отсечения, дайте только доступные до нее сведения и предскажите следующий интервал. Передвигайте отсечение вперед и повторяйте, не позволяя будущим наблюдениям проникать назад в выбор модели.

Начните с базового метода, соответствующего закономерности. Значение того же дня прошлой недели полезно при недельном цикле; последнее значение — при стабильном краткосрочном процессе. Ни один метод не силен автоматически, но оба показывают, оправдывается ли усложнение.

Не упускайте нулевые и почти нулевые периоды. Процентную ошибку трудно трактовать при крошечном целевом значении. Подбирайте метрики под ряд и смотрите на реальные промахи вместе с общей оценкой.

В практическом пилоте маленькая таблица худших промахов часто учит больше одного среднего числа. Связана ли ошибка с пропуском, праздником, сбоем системы или реальным изменением спроса? От ответа зависит, улучшать ли данные, добавлять сведения или пересматривать подход.

Оригинальная схема бэктеста. Каждый прогноз использует сведения, доступные в своей точке отсечения; более поздние наблюдения служат для оценки.

Небольшие веса — лишь часть развертывания

Репозиторий различает код под Apache 2.0 и веса под модифицированной лицензией MIT. Прочитайте условия именно выбранного чекпойнта: открытый репозиторий и отдельно лицензированная модель — разные распространяемые артефакты. Пояснение лицензий

Первичная загрузка и обычный инференс тоже разные этапы. Документированный загрузчик может брать модель из локального кэша, но приложение остается офлайн лишь тогда, когда офлайн работают все компоненты. Локальный прогноз не мешает другому участку процесса отправлять данные удаленному сервису.

При регулярной работе записывайте чекпойнт каждого прогноза и момент окончания входных данных. График без отсечения можно принять за прогноз, даже если он учитывает позднейшие наблюдения. Сохраняйте предсказанные значения неизменными для будущего сравнения с реальностью.

Сервису нужен план на случай пропусков и неудачных запусков. Вчерашний прогноз, показанный как свежий, создает обманчиво благополучный интерфейс. Показывайте дату последних успешно полученных данных и решите, когда простой базовый метод лучше устаревшего результата модели.

Быстрый прогноз полезен, только если решение становится лучше

Mistral сообщает об удобном для CPU инференсе и сильных результатах семейства в бенчмарках. Это основания исследовать, а не измерения вашего конвейера данных. Опубликованное время модели не включает всевозможные чтения файлов, расчеты признаков, очереди и графики приложения. Анонс от 15 октября

Есть соблазн превратить пилот в поиск самого большого запускаемого чекпойнта. Полезнее спросить, приходит ли прогноз до принятия решения и уменьшает ли важные ошибки. Чуть более точный ответ после срока составления смен имеет ограниченную практическую ценность.

Различайте численное улучшение и улучшение политики. Меньшая средняя ошибка может не помочь в самых дорогих загруженных днях. И наоборот, лучше откалиброванный верхний квантиль способен улучшить планирование при почти неизменной медиане.

Определите критерии заранее. Тогда пилот закончится полезным выбором: оставить базовый метод, взять маленький чекпойнт или обосновать более требовательную конфигурацию. Любой исход может быть правильным при ясных свидетельствах.

Прогноз должен оставить запись до наступления завтра

На наш взгляд, Timestral интересен тем, что помещает специализированную числовую задачу в доступный процесс работы с моделями. Его результат похож на прогноз погоды для нагрузки: центральное ожидание, диапазон и причина подготовиться. Ценность возникает при встрече с реальным планированием.

Начните с одной величины и одного горизонта. Сохраните прогноз до того, как станет известен итог, затем честно сравните с простой альтернативой. Так многообещающий релиз превращается в эксперимент с применимым результатом.

Источники и изображения

Проверено 20 октября 2026 года. Примеры и графики иллюстративны и не являются результатами запуска модели. Скриншот открытой карточки сделан автором; поясняющие схемы оригинальные. Источники и уведомления о лицензиях приведены в реестре изображений.

• Анонс Mistral от 15 октября 2026 года
• Официальный код инференса, установка и различия лицензий
• Чекпойнт Timestral-5M
• Лицензия чекпойнта

Храните прогноз рядом с фактическим результатом

Сохраняйте определение данных, точку отсечения прогноза и заметки проверки вместе со ссылками на первоисточники. Telli.sh поможет организовать журнал эксперимента. Создать аккаунт Telli.sh