TimesFM-3 od Google: AI przewiduje przyszłość sprzedaży

Google Research udostępniło TimesFM-3 – model sztucznej inteligencji przeznaczony do prognozowania na podstawie danych szeregów czasowych, takich jak dzienna sprzedaż. System potrafi łączyć ze sobą różnorodne źródła informacji, aby tworzyć trafniejsze przewidywania niż modele opierające się na pojedynczej zmiennej.

Rzeczywiste prognozy rzadko zależą tylko od jednego czynnika. Google ilustruje to przykładem sieci handlowej próbującej przewidzieć sprzedaż lodów. Rzetelna prognoza powinna uwzględniać także sprzedaż produktów powiązanych – wafli czy syropów – a dodatkowo historyczny ruch w sklepach, warunki pogodowe, harmonogram promocji oraz dni świąteczne.

Jak zbudowany jest TimesFM-3

Nowy model opiera się na architekturze Transformer – tej samej, którą wykorzystywały wcześniejsze wersje. Kluczowa zmiana dotyczy sposobu przetwarzania danych: system grupuje 32 kolejne punkty pomiarowe w jeden fragment i normalizuje każdy szereg do wspólnej skali. Dzięki temu można bezpośrednio porównywać ze sobą pomiary o bardzo różnych rzędach wielkości.

Przetwarzanie w dwóch kierunkach

Model analizuje dane naprzemiennie w dwóch wymiarach. Wzdłuż osi czasu szuka wzorców w obrębie pojedynczego szeregu, korzystając wyłącznie z wartości historycznych – to zabezpieczenie przed wyciekiem informacji z przyszłości. Z kolei w poprzek szeregów porównuje wszystkie zmienne w danym momencie i uczy się zależności między nimi. Pozwala to wychwycić efekty takie jak wpływ promocji jednego produktu na sprzedaż innego.

Skala modelu i dane treningowe

TimesFM-3 liczy 330 milionów parametrów. Został wytrenowany na rzeczywistych i syntetycznych szeregach czasowych, które łącznie obejmują ponad bilion punktów danych. Podobnie jak poprzednie wersje, działa w trybie zero-shot – nie wymaga dodatkowego treningu przy nowych zadaniach.

Trzy typy danych uzupełniających

Model obsługuje trzy kategorie informacji dodatkowych, które wzbogacają prognozę:

  • Równoległe zmienne powiązane – na przykład sprzedaż różnych smaków lodów przewidywana jednocześnie.
  • Czynniki znane wyłącznie historycznie – takie jak przeszły ruch w sklepach, którego nie znamy dla przyszłych okresów.
  • Znane zdarzenia przyszłe – planowane promocje czy prognozy pogody, których tokeny zawierają już nadchodzące fragmenty danych.

Zamiast pojedynczej wartości punktowej TimesFM-3 zwraca dziewięć wartości na każdy krok czasowy. Pozwala to uchwycić zakres i niepewność każdej prognozy.

Prognozowanie w jednym przebiegu zamiast krok po kroku

Wcześniejsze wersje przewidywały przyszłość blok po bloku. Jak wskazuje Google, takie podejście było wolne, wymagało dużych zasobów obliczeniowych, a błędy narastały wraz z każdą kolejną predykcją opartą na poprzedniej.

TimesFM-3 obrał inną strategię: oznacza wszystkie przyszłe kroki czasowe jako puste i wypełnia je w jednym przejściu. Efekt widać na przykładzie lodów. Model znający wyłącznie przeszłą sprzedaż po prostu kontynuuje typowy tygodniowy wzorzec, nieświadomy planowanych akcji promocyjnych. Gdy otrzyma harmonogram promocji, uczy się z historii, jak bardzo przeceny zwiększają popyt, i oczekuje około 20 procent więcej sprzedanych jednostek w każdym dniu promocji.

Wyniki w benchmarkach i dostępność

TimesFM-3 zajmuje pierwsze miejsce wśród wszystkich wstępnie wytrenowanych modeli prognostycznych pod względem dokładności punktowej i kalibracji niepewności – na benchmarkach Gift-Eval, FEV-Bench oraz Time. Wśród konkurentów znalazły się Chronos-2 od Amazon, rodzina Toto-2.0 oraz wcześniejszy TimesFM-2.5 od samego Google.

Nawet ograniczony do pojedynczej zmiennej TimesFM-3 dorównuje konkurencji lub ją przewyższa, a dodanie kolejnych danych zwiększa przewagę. Na FEV-Bench Chronos-2 zbliża się do trybu jednowymiarowego TimesFM-3, ale wyraźnie odstaje od pełnej wersji. Na benchmarku Time liderem ponownie jest TimesFM-3, a jego poprzednik TimesFM-2.5 plasuje się daleko w tyle.

Gdzie można korzystać z modelu

TimesFM-3 jest dostępny na GitHubie i Hugging Face. Google planuje dodać go do BigQuery w nadchodzących tygodniach. Obecnie TimesFM-2.5 obsługuje tam prognozowanie jednej zmiennej poprzez polecenie AI.FORECAST. Od premiery rodziny w 2024 roku modele znalazły zastosowanie w handlu detalicznym, finansach, produkcji, ochronie zdrowia i nauce.

Wszystkie wersje do TimesFM-2.5 włącznie, wydane we wrześniu 2025 roku, przetwarzały tylko jeden szereg danych naraz. Obsługa wielu zmiennych w TimesFM-3 to zatem istotny krok naprzód.

Google rozwija również modele prognostyczne wykraczające poza szeregi czasowe. Na początku sierpnia Google DeepMind udostępniło WeatherNext Cyclones – otwartoźródłowy system AI do prognozowania cyklonów tropikalnych, który przewiduje trajektorie i intensywność burz około dobę dalej niż wiodące modele operacyjne.

TimesFM-3 pokazuje kierunek, w którym zmierza prognozowanie oparte na AI: łączenie wielu źródeł danych, obsługa niepewności i rezygnacja z krokowej predykcji na rzecz całościowego wnioskowania. Dla firm zależnych od planowania sprzedaży czy zapasów oznacza to potencjalnie większą precyzję przy mniejszym nakładzie obliczeniowym.

Źródło

Może Cię zainteresować