Mistral, tahmin kıyaslamalarında zirvede yer alan Timestral zaman serisi modellerini yayınladı

Mistral zaman serisi tahminciliğine adım atıyor

Mistral, ilk zaman serisi temel modeli ailesi olan Timestral'ı yayınladı. Şirketin duyurusuna göre 209M parametreli en büyük model, tek bir checkpoint ile ve hiçbir ensembling kullanılmadan, ön eğitilmiş zero-shot modeller arasında alanın üç ana açık kıyaslamasının tümünde — GIFT-Eval, TIME ve fev-bench — birinci sırada yer alıyor. GIFT-Eval'de karşılaştırılabilir 83 ön eğitilmiş girdi arasında ilk ona, TIME'da 37 girdilik liderlik tablosunda ilk ona ve fev-bench'te 37 girdi arasında ilk ona giriyor. Mistral, sonuçların GIFT-Eval ve TIME liderlik tablolarına gönderildiğini belirtiyor.

Model ailesi dört boyuttan oluşuyor — 5M, 28M, 123M ve 209M parametre — ve hepsi aynı mimari ile eğitim tarifini paylaşıyor. Mistral, her boyutta daha iyi tahmin yapan kamuya açık bir model bulunmadığını, dolayısıyla her varyantın doğruluk-boyut Pareto cephesinde yer aldığını iddia ediyor. 209M modelin, parametrelerin yalnızca üçte ikisini kullanarak önceki en iyi sonucu geçtiği ve TimesFM-3 ile Falcon-2.0'ı geride bıraktığı bildiriliyor; 28M model ise GIFT-Eval ve TIME'da kendisinden yaklaşık dört kat büyük olan Chronos-2'yi geçiyor.

Kovaryatlarla olasılıksal, çok değişkenli tahmin

Timestral olasılıksal, çok değişkenli tahminler üretiyor. Tek bir tahmin değeri yerine tam bir kuantil seti çıkarıyor; böylece ekipler belirsizlik bandının ne kadar geniş olduğunu görebiliyor, eşikleri buna göre ayarlayabiliyor ve bakımı nokta tahmine değil riske dayalı planlayabiliyor. İlgili seriler birlikte modellendiği için, bir pompanın sıcaklığındaki artış titreşimiyle birlikte tahmine katkı sağlayabiliyor; her sensör tek başına ele alınmıyor.

Modeller hem yalnızca geçmişe ait hem de geleceği bilinen kovaryatları kabul ediyor. Üretim planları, planlı duruşlar veya hava durumu tahminleri gibi geleceği bilinen etkenler pencerenin tamamında görünürken hedefler nedensel kalıyor ve bilgi yalnızca kovaryatlardan hedeflere akıyor — böylece bir tatil takvimi tahmini iyileştirirken hedefin kendi geleceği tahmine sızmıyor. Haftanın günü veya bir makinenin durumu (çalışıyor, boşta, bakımda) gibi kategorik kovaryatlar, sayı olarak kodlanmak yerine doğrudan kategorik girdi olarak alınıyor.

CPU'larda çalışacak şekilde tasarlandı

Çıkarım için GPU gerekmiyor. Mistral'ın bildirdiğine göre 8 iş parçacıklı standart bir sunucu CPU'sunda, üç haftalık 15 dakikalık veriden bir gün ileriye tahmin üretmek 5M modelle 10 ms, 209M modelle 140 ms sürüyor. Daha küçük boyutlar bazı doğruluktan vazgeçip hız kazanıyor: 28M model 209M modelden beş kat hızlı ve 123M model, 209M'nin gecikmesinin dörtte üçüyle onun puanının yüzde 0,2 yakınına ulaşıyor.

Nasıl eğitildi

Mistral, sonuçları bir teknik raporda ayrıntılandırılacak dört teknik katkıya bağlıyor:

• Decoupled Horizon Forecasting (DHF). Toto 2.0 ve TimesFM-3'teki gibi bitişik patch maskeleme ile eğitilen nedensel decoder'lar, maskelenen değerleri sonraki tahminler için bağlam olarak kaybediyor. DHF tüm geçmişi dizide tutuyor ve öğrenilmiş tahmin token'larının önceki geçmişi okumasına izin veriyor; böylece her gözlemlenen değer hem hedef hem bağlam olarak hizmet ediyor, gerçek boşluklar kayıp olarak işaretli kalıyor ve eğitim ufuk uzunlukları ile eksik veri zenginleştirmesi bağımsız olarak ayarlanabiliyor.
• Kovaryat farkındalıklı attention. Her girdi serisine bir rol atanıyor: hedef değişken, yalnızca geçmişe ait kovaryat veya geleceği bilinen kovaryat.
• Sentetik öncelikli veri. Eğitim külliyatının çoğunluğu sentetikti — trendler, mevsimsellik ve çeşitli gürültü örüntüleri içeren tek değişkenli süreçler, ardından aralarında doğrusal olmayan bağımlılıklar ortaya çıkaran çok değişkenli bir sentezleyiciyle birleştirildi.
• İki aşamalı eğitim. Model önce bağlam boyutu 8192 ile yalnızca sentetik veriyle büyük ölçekte ön eğitiliyor, ardından gerçek ve sentetik veri karışımıyla 4 kat daha uzun bir bağlamla son eğitimten geçiyor; 21 kuantil üzerinde pinball loss, yani CRPS'nin ayrık bir yaklaşıklaması optimize ediliyor.

Tahminlerden iş akışlarına

Mistral, Timestral'ı mevcut izleme hatlarının içinde çalışabilen veya dil modelleriyle agentic iş akışlarında eşleştirilebilen sayısal bir model olarak konumlandırıyor. Taslak bir endüstriyel senaryoda Timestral sensör akışlarını sürekli izleyip anomalileri işaretliyor; bir agent işaretlenen sinyalleri gömüyor, benzer geçmiş arızaları getiriyor ve bakım kayıtları, vardima günlükleri, ekipman kılavuzları ile ilgili ekipmandan alınan ölçümlere dayanarak kök neden analizi için alt agent'lar oluşturuyor — sonuç yalın bir uyarı değil, önerilen bir teşhis ve plan. Alan uyarlama için ince ayar, Mistral Forge üzerinden sunuluyor.

Neden önemli

Zaman serileri kurumsal dünyada en yaygın veri türlerinden biri — sensör telemetrisinden gözlemlenebilirlik metriklerine kadar — ve üzerine kurulu tahminler kapasite planlaması, enerji, tedarik zincirleri, risk ve bakımı yönlendiriyor. ARIMA gibi klasik araçlar tek bir seriye uyar ve yalnızca o serinin geçmişinden öğrenir; PatchTST gibi derin öğrenme modelleri ilgili seriler arasında doğrusal olmayan örüntüler öğrenir ama genellikle her veri kümesi için sıfırdan eğitilir, dolayısıyla öğrendikleri yeni bir alana taşınmaz. Temel modeller ön eğitim tarifini zaman serilerine uygular ve hiç görmedikleri veriler üzerinde, verinin kıt olduğu durumlarda bile zero-shot tahmin yapar. İddialar açık liderlik tablolarında doğrulanırsa, CPU'larda çalışan ve çok daha büyük rakipleri geçen 1 milyarın altında parametreli bir model ailesi, yetkin tahminciliği uzman bir proje olmaktan çıkarıp gözlemlenebilirlik ve izleme yığınları için ucuz bir varsayılan hale getiriyor.