Google Research udostępnia TimesFM-3. Nowy model prognozuje przyszłość w jednym kroku
W analityce danych skończył się czas zgadywania na podstawie pojedynczych wykresów. Google Research zaprezentowało TimesFM-3, model o architekturze 330 milionów parametrów, który bierze na warsztat wielowymiarowe szeregi czasowe. Podczas gdy starsze systemy gubiły się przy próbie łączenia wielu sygnałów, nowa wersja, wytrenowana na ogromnym zbiorze ponad biliona punktów danych, potrafi jednocześnie analizować dziesiątki powiązanych zmiennych bez żmudnego dostrajania pod konkretne zadanie.
Dlaczego to ważne właśnie teraz? Premiera TimesFM-3 (31 sierpnia 2026 r.) wyznacza moment, w którym modele zero-shot dla danych liczbowych pod względem sprawności doganiają modele językowe. Dzięki natywnej obsłudze zmiennych współzależnych, firmy zyskują narzędzie zdolne przewidzieć popyt nie tylko na podstawie starej sprzedaży, ale też prognoz pogody czy planowanych promocji, co potwierdzają czołowe wyniki w benchmarkach GIFT-Eval, fev-bench oraz TIME.
Architektura, która rozumie kontekst
Tradycyjne podejście do prognozowania często ignoruje kontekst zewnętrzny. TimesFM-3 operuje na trzech typach danych: głównych celach, zmiennych historycznych oraz kluczowych zmiennych przyszłych, których wartości znamy z wyprzedzeniem. System rozumie, że skok sprzedaży napojów to nie przypadek, a wypadkowa fali upałów i zaplanowanej obniżki cen. Fundamentem pozostaje transformator typu decoder-only, ale z nowatorskim mechanizmem uwagi.
Model wykorzystuje naprzemienną uwagę czasową oraz międzyzmienną. Ta pierwsza pilnuje chronologii, druga pozwala „dostrzec” korelacje między różnymi danymi w tym samym momencie. Całość opiera się na tzw. paczkach (patches) obejmujących 32 kroki czasowe. Taka segmentacja pozwala zachować spójność lokalną i skutecznie odfiltrować szum informacyjny, który często paraliżuje prostsze algorytmy.
Szybkość i precyzja probabilistyczna
Kluczową innowacją jest technologia Contiguous Patch Masking. Dzięki niej TimesFM-3 generuje cały horyzont prognozy w zaledwie jednym przebiegu sieci (single forward pass), zamiast powolnego, sekwencyjnego dekodowania krok po kroku. To drastycznie tnie opóźnienia i eliminuje narastanie błędów. Model nie podaje też suchej liczby – generuje dziewięć kwantyli dla każdego kroku, dając analitykom jasny obraz niepewności prognozy.
Dostępność i haczyki licencyjne
Google udostępniło rozwiązanie szerokiej społeczności, ale z pewnym zastrzeżeniem. „TimesFM-3 jest już dostępny na GitHubie i Hugging Face, a integracja z BigQuery pojawi się w nadchodzących tygodniach” – informuje zespół w oficjalnym komunikacie na blogu Google Research.
Tu jednak pojawia się ważny szczegół dla biznesu. O ile kod w repozytorium jest na otwartej licencji Apache-2.0, o tyle wagi modelu TimesFM-3 objęto restrykcyjną licencją non-commercial. W praktyce oznacza to, że naukowcy mogą go swobodnie testować, ale firmy potrzebujące rozwiązania do celów produkcyjnych muszą pozostać przy starszej wersji TimesFM 2.5 lub czekać na pełne wdrożenie w ramach usług chmurowych Google.
