Представляємо Timestral

Компанія Mistral анонсувала Timestral, свою першу лінійку моделей для прогнозування часових рядів. Цей інноваційний продукт здатний надавати високоточні й ймовірнісні багатовимірні прогнози, використовуючи лише 209 мільйонів параметрів. При цьому, Timestral перевершує більші моделі на ключових тестах, підтримуючи як минулі, так і майбутні змінні. Моделі доступні в чотирьох різних розмірах (від 5M до 209M параметрів) і поєднують у собі точність та ефективність, працюючи на звичайних процесорах, демонструючи швидкість у прогнозуванні різних доменів.

Сьогодні ми запускаємо Timestral. Найбільша модель, що має лише 209M параметрів, зайняла перше місце на трьох основних публічних тестах: GIFT-Eval, TIME та fev-bench. Вона перевершує попередні досягнення, маючи лише дві третини параметрів.

Timestral здатна надавати ймовірнісні багатовимірні прогнози та підтримувати як минулі, так і відомі майбутні змінні. Наша лінійка моделей демонструє передові результати в балансі між точністю та розміром моделі, що засвідчують дані на лідербордах GIFT-Eval та TIME.

Результати тестування

Ми протестували Timestral на трьох основних публічних тестах: GIFT-Eval, TIME та fev-bench. Серед моделей, які пройшли попереднє навчання і здатні на нульове прогнозування, вона зайняла перше місце за всіма п'ятьма показниками. Ці результати отримані з однієї контрольної точки без об'єднання моделей.

Варто зазначити, що часові ряди є одним з найпоширеніших типів даних у промисловості, адже вони використовуються від телеметрії сенсорів до метрик спостереження. Прогнози, побудовані на їх основі, впливають на ухвалення рішень у плануванні потужностей, енергетики, постачання, ризиків та обслуговування.

Приклад використання в промисловості

Уявімо собі промисловий завод із тисячами сенсорів. Timestral може покращити прогнози на основі цих даних кількома способами.

Багатовимірне прогнозування. Наприклад, вібрація, температура і тиск насоса не змінюються незалежно. Зростання одного параметра часто пояснює чи викликає зміну іншого. Моделі Timestral аналізують пов'язані ряди разом, а не окремо.

Ймовірнісне прогнозування. Одне передбачене значення може не відображати повну картину. Timestral генерує повний набір квантилів, що дозволяє командам оцінити ширину невизначеності та планувати обслуговування на основі ризику.

Модель можна інтегрувати в існуючі системи моніторингу або поєднувати з мовними моделями для створення мультимодальних робочих процесів.

У підсумку, Timestral — це промислова модель, здатна підлаштовуватися під специфіку конкретних даних та адаптуватися до змін на ринку, що робить її потужним інструментом для прогнозування в різних сферах.