Google AI dévoile TimesFM-3, un modèle de fondation de 330M de paramètres pour la prévision de séries temporelles multivariées
Google Research a publié TimesFM-3, un modèle de fondation pour la prévision de séries temporelles doté de 330 millions de paramètres, entraîné sur plus de 1000 milliards de points temporels réels et synthétiques. Contrairement à toutes les versions précédentes de TimesFM, y compris la 2.5, qui traitaient chaque série de façon isolée à partir de son seul historique, ce nouveau modèle est nativement multivarié : il peut prévoir plusieurs séries liées en une seule passe, en intégrant des covariables passées et des covariables futures connues, comme un calendrier de promotions, sans nécessiter de réglage spécifique à la tâche. Sur les trois grands classements de référence du secteur, GIFT-Eval, fev-bench et TIME, TimesFM-3 obtient le meilleur rang moyen parmi les modèles de fondation pré-entraînés, aussi bien sur les métriques ponctuelles que probabilistes, devançant notamment Chronos-2 et la famille Toto 2.0 de Google. Le modèle se classe numéro un sur fev-bench parmi 100 tâches réelles, numéro un sur TIME parmi 50 jeux de données et 98 tâches, et numéro un parmi les modèles de fondation sur GIFT-Eval. Le code du dépôt est publié sous licence Apache-2.0, mais les poids du modèle sont soumis à une licence non commerciale qui en réserve l'usage aux tests et à la recherche.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette avancée est significative parce que la plupart des problèmes de prévision réels ne concernent jamais une seule variable isolée : les ventes d'un produit dépendent aussi de celles de produits liés, de la fréquentation, de la météo ou des jours fériés. En traitant ces signaux conjointement dès l'entraînement, TimesFM-3 promet des prévisions plus fiables pour la logistique, la vente au détail ou la planification énergétique, sans que les entreprises aient à construire des pipelines de fine-tuning coûteux. Le passage à une génération en une seule passe, au lieu d'un décodage séquentiel patch par patch comme dans les versions antérieures, réduit aussi la latence, le coût de calcul et l'accumulation d'erreurs sur l'horizon de prévision. La limite commerciale de la licence signifie toutefois que les entreprises peuvent évaluer le modèle dès aujourd'hui, mais ne peuvent pas encore l'intégrer dans une API de prévision en production.
Techniquement, TimesFM-3 repose sur un transformeur décodeur qui regroupe les points en patchs de 32 pas de temps, normalisés par série, avant de les faire passer par deux mécanismes d'attention alternés : une attention temporelle causale au sein de chaque série, et une attention croisée entre variables à chaque instant, qui capte les corrélations entre séries. La stratégie d'entraînement, appelée Contiguous Patch Masking et reprise du modèle TiRex, permet de générer neuf quantiles, du 10e au 90e percentile, à chaque étape de l'horizon. Ce lancement s'inscrit dans une compétition croissante entre grands laboratoires, dont Amazon avec Chronos, sur les modèles de fondation pour séries temporelles, un domaine encore jeune comparé au traitement du langage mais en forte expansion industrielle.
Les entreprises européennes de logistique, énergie et vente au détail pourront évaluer TimesFM-3 pour leurs prévisions, mais la licence non commerciale interdit son intégration en production pour l'instant.
TimesFM-3 change vraiment de catégorie par rapport aux versions précédentes : passer d'une prévision série par série à du multivarié natif, ça colle enfin à la réalité du terrain, où les ventes d'un produit dépendent de la météo, du calendrier promo et de dix autres signaux en même temps. Sur le papier les benchmarks sont solides, numéro un sur GIFT-Eval, fev-bench et TIME, ça pèse. Mais la licence non commerciale calme tout de suite l'enthousiasme : les boîtes de logistique ou d'énergie en France peuvent tester, pas déployer, donc le vrai signal à surveiller c'est la date où Google ouvrira ça à la prod.