Timestral-209M: Vorhersagen ohne vorheriges Lernen
Stellen Sie sich ein Lager mit dreitausend Artikeln vor und einen Verantwortlichen, der am Montagmorgen entscheiden muss, wie viele Paletten er bestellen, wie viele Mitarbeiter er für das Wochenende einteilen und welche Bestände er niemals auf null sinken lassen darf. Niemand verlangt von ihm, die Zukunft vorauszusagen. Man verlangt etwas Bescheideneres und Nützlicheres, eine bedingte Schätzung: Was ist angesichts dessen, was bisher geschah, eine plausible Spanne für morgen? Eine gute Vorhersage zeigt nicht nur einen einzelnen Pfad, sondern zeichnet den fächerförmigen Raum der Möglichkeiten und gibt an, welche Pfade am wahrscheinlichsten sind.
Jahrzehntelang wurde diese Aufgabe auf nur eine Weise erledigt. Klassische Modelle wie ARIMA weisen jeder Zeitreihe ein eigenes Modell zu und lernen ausschließlich aus dieser: Sie sind kostengünstig und gut erklärbar, fangen aber bei jeder neuen Reihe wieder bei null an. Deep Learning, etwa mit PatchTST, lernt aus vielen Zeitreihen gemeinsam, muss aber in der Regel für jeden Datensatz von Grund auf neu trainiert werden, wie der Blog von Mistral selbst erklärt. Fundamentale Modelle, oder *Foundation Models, ändern das Rezept: Sie werden auf einem riesigen Korpus vortrainiert und anschließend ohne weiteres Training auf nie gesehene Daten angewendet. Das nennt man Zero-Shot – null Trainingsversuche für den spezifischen Fall.*
Wie groß diese Revolution tatsächlich ist, darüber sind die Fachmeinungen zurückhaltender als die Pressemitteilungen. Rob Hyndman, einer der angesehensten Experten auf diesem Gebiet, schreibt, dass diese Modelle eine reale Veränderung in der Art und Weise darstellen, wie Prognosen erstellt werden, aber noch keinen allgemeinen Beweis für eine höhere Genauigkeit erbringen. Dieser Artikel ordnet sich zwischen beiden Positionen ein: Er stellt Timestral-209M von Mistral vor, erklärt seine Funktionsweise und berichtet über einen hausgemachten Test auf realen Verkaufsdaten – ehrlich, aber ohne Anspruch auf einen formalen Benchmark.
In einem Satz: Timestral ist ein ernstes Signal dafür, dass Prognosen generalistischer werden, beweist aber nicht, dass ein Foundation Model ein gut kalibriertes, auf den Einzelfall abgestimmtes statistisches Modell immer schlägt.
Anatomie von Timestral
Timestral ist eine Familie von vier Modellen mit 5, 28, 123 und 209 Millionen Parametern, die Mitte Oktober 2026 von Mistral veröffentlicht wurden. Parameter sind die internen Stellschrauben, die das Modell während des Trainings anpasst: 209 Millionen sind viel für ein klassisches statistisches Modell, aber sehr wenig für ein modernes Sprachmodell. Das Format wurde so gewählt, dass es auch auf einem gewöhnlichen Prozessor läuft, im Unternehmen oder in vom Netzwerk isolierten Umgebungen.
Vier Zahlen aus der offiziellen Modellkarte helfen zu verstehen, was das Modell leisten kann. Der Kontext, also wie viel Historie das Modell liest, reicht bis zu 32.768 Zeitschritten. Der Horizont, also wie weit es vorausschaut, beträgt 1.024 Schritte auf einen Schlag, über die hinaus es blockweise fortfährt, indem es seinen eigenen Median als reale Historie anhängt. Die Quantile sind Schwellenwerte, die die Unsicherheit beschreiben: Das Quantil 0,95 ist der Wert, den das Modell nur in fünf von hundert Fällen als überschritten erwartet, und Timestral erzeugt 21 davon, von 0,01 bis 0,99. Schließlich akzeptiert es eine oder mehrere Zeitreihen gleichzeitig sowie Kovariablen, Zusatzinformationen wie Kalender, Preise oder im Voraus bekannte Feiertage.
Das Modell ist ein Transformer mit 24 Schichten und einer internen Dimension von 768, der die Werte nicht einzeln liest, sondern in Patches – Blöcken von 32 Schritten, jeweils begleitet von einem Indikator für Datenlücken. Es kombiniert zwei Arten von Aufmerksamkeit (Attention), also der Fähigkeit abzuwägen, welche Informationen wichtig sind: die zeitliche Attention, die prüft, welche vergangenen Momente relevant sind, und die Attention zwischen den Variablen, die untersucht, wie sich die Zeitreihen gegenseitig beeinflussen. Laut dem Blog hält die DHF genannte Methode die gesamte Historie sichtbar und fügt separate Prognose-Tokens hinzu, sodass jeder beobachtete Wert sowohl als Ziel als auch als Kontext dient. Die Attention für Kovariablen lässt Informationen hingegen nur von den Kovariablen zu den Zielen fließen, um zu verhindern, dass die Zukunft einer Reihe ihre eigene Vorhersage kontaminiert.
Der überraschendste Teil ist das Training: Der Großteil der Daten ist synthetisch – Prozesse mit künstlich erzeugten Trends, Saisonalitäten und Rauschen, in einer ersten Phase mit einem Kontext von 8.192 Schritten, gefolgt von einer Phase mit realen und synthetischen Daten bei vierfacher Kontextlänge. Es ist das Gegenteil von Funes dem Wundermann, Borges' Romanfigur, die sich an jedes Blatt jedes Baumes erinnert und genau deshalb nicht generalisieren kann: Hier werden die Formen der Zeit gelehrt, nicht einzelne Ereignisse. Was sich genau im realen Korpus befindet, wird nicht offengelegt. Der technische Bericht ist als „demnächst verfügbar“ angekündigt.
Zwei praktische Hinweise. Der Status ist Public Preview. Die Lizenz, eine modifizierte MIT-Lizenz, ist im strengen Sinne kein Open Source: Sie verweigert die Nutzung allen Einheiten oder Arbeitgebern, die im Vormonat weltweit mehr als 20 Millionen Dollar konsolidierten Monatsumsatz erzielten, sofern keine kommerzielle Vereinbarung mit Mistral getroffen wurde. Es handelt sich nicht um eine Lizenzgebühr, sondern um eine Eintrittsschwelle, die auch für abgeleitete Werke gilt.
Versprechen auf dem Prüfstand
Mistral gibt an, dass Timestral-209M unter den vortrainierten Zero-Shot-Modellen auf drei öffentlichen Leaderboards den ersten Platz belegt: GIFT-Eval, TIME und fev-bench, wobei es den bisherigen Stand der Technik mit zwei Dritteln der Parameter schlägt. Auf der Modellkarte lauten die Zahlen wie folgt: Bei GIFT-Eval beträgt der MASE-Fehler 0,658 gegenüber 0,661 bei t0-gamma, und der CRPS 0,446 gegenüber 0,452. Der MASE misst den Fehler im Vergleich zu einer naiven Referenzmethode, während der CRPS die Qualität der gesamten prognostizierten Verteilung bewertet – für beide gilt: je niedriger, desto besser. Bei fev-bench liegt der SQL-Wert bei 50,39 gegenüber 49,42 bei t0-gamma. Die Abstände sind real, aber klein, und es handelt sich um Herstellerangaben: Mistral veröffentlicht den Code eben dafür, sie zu reproduzieren, aber eine unabhängige Replikation steht noch aus.
Zur Effizienz ist die Angabe präzise. Auf einer Server-CPU mit 8 Threads benötigt das Modell mit 5 Millionen Parametern 10 Millisekunden und das Modell mit 209M 140 Millisekunden, um ausgehend von drei Wochen Historie im 15-Minuten-Takt einen Tag vorauszusagen. Die 28M-Version ist fünfmal schneller, während das 123M-Modell bei drei Vierteln der Latenz innerhalb von 0,2 % der Höchstpunktzahl bleibt. Dies sind Messungen unter sehr spezifischen Bedingungen, die sich von denen unseres Tests unterscheiden und entsprechend gelesen werden müssen.
Hinzu kommt das grundlegende Problem von Leaderboards, bei dem Hyndman hilfreich ist. Er verweist auf Analysen von Christoph Bergmeir, wonach Vergleiche mit statistischen Methoden oft mit schlecht eingestellten Baseline-Versionen durchgeführt werden. Er zitiert auch die Studie von Meyer und Kollegen: Von 401 Datensätzen, die von 22 veröffentlichten Foundation Models verwendet wurden, waren nur 6 % noch nie in den Trainingsdaten irgendeines Modells aufgetaucht. Wer den Kultfilm Primer gesehen hat, weiß, was passiert, wenn Informationen in der Zeit zurückreisen, ohne dass es jemand merkt. Mistral selbst erkennt das Problem an: Seine Plattform Forge verspricht die volle Kontrolle über die Trainingsdaten, sodass nichts von dem, was Sie an Ihrer eigenen Historie testen, dem Modell bereits bekannt ist.
Wie wir den Test durchgeführt haben
Der Test ist kein einzelner Durchlauf, sondern eine kleine Kette von Schritten: Man geht von den Originaldateien aus, bereitet die Daten vor, erzeugt die Vorhersagen, vergleicht sie mit den realen Werten und erstellt Zahlen, Berichte und Grafiken. Jeder Schritt speichert sein Ergebnis auf der Festplatte, und der nächste setzt dort an. Das macht die Arbeit überprüfbar und wiederholbar und ermöglicht es, sie zu unterbrechen, ohne das bereits Erreichte zu verlieren. Der Ablauf ist wie folgt.
1. Eine geschlossene Umgebung.
Zuerst haben wir das Experiment auf einen einzigen Projektordner beschränkt. Das Startskript erstellt die lokale Python-Umgebung (.venv), installiert dort die Abhängigkeiten und leitet Cache, temporäre Dateien und Anmeldeinformationen in das Projektverzeichnis um, sodass nichts in den Systemordnern landet. Der M5-Datensatz wird von Kaggle heruntergeladen und die drei erforderlichen Dateien – Verkäufe, Kalender und Preise – werden nach data/raw/m5/ kopiert. Das Modell Timestral-209M wird einmal von Hugging Face heruntergeladen und in models/timestral/ gespeichert. Wenn die Dateien bereits vorhanden sind, werden sie wiederverwendet. Ein automatischer Test prüft, ob Verzeichnisse, Caches und Pfade tatsächlich innerhalb des Projekts bleiben.
2. Datenvorbereitung.
Mit den drei lokalen Dateien haben wir den Datensatz für den Test aufgebaut. Aus den über 30.000 Produkt-Filial-Reihen haben wir 300 mittels geschichteter Zufallsstichprobe (Seed 42) ausgewählt: 120 mit hohem Volumen, 120 mit mittlerem Volumen und 60 mit geringem Volumen oder intermittierendem Verlauf. Das Volumen wird nur im ältesten historischen Fenster gemessen, damit die Auswahl nicht von der Zukunft abhängt. Reihen ohne Verkäufe in diesem Fenster wurden ausgeschlossen; fehlende Tage wurden auf null gesetzt, sodass jede Reihe zu einer kontinuierlichen täglichen Sequenz wurde, eine Zeile pro Tag. Zu jeder Reihe haben wir die im Voraus bekannten Informationen hinzugefügt: Wochentag, Monat, Wochenende, Ereignisse, SNAP-Tage und Preis, letzterer nur, wenn er für alle Reihen und den gesamten Horizont verfügbar war. Das Ergebnis wird im Parquet-Format gespeichert, einem komprimierten und schnell zu lesenden Format.
3. Der zeitliche Schnitt.
Anschließend haben wir den Zeitraum in drei aufeinanderfolgende Fenster von jeweils 28 Tagen aufgeteilt, vom 1. Februar bis zum 24. April 2016. Für jedes Fenster haben wir 365 Tage Historie aufbewahrt und die zu prognostizierenden 28 Tage beiseitegelegt: Diese realen Werte flossen niemals in die Prognosephase ein, sondern nur in die Bewertung. Die Fenster sind der 1.–28. Februar, der 29. Februar–27. März und der 28. März–24. April. Der Code zeichnet die Datumsangaben jedes Fensters in einer Konfigurationsdatei auf und prüft, ob die Vorhersagen genau die erwarteten 28 Tage abdecken. Drei Fenster statt eines verhindern, dass alles von einem einzelnen Monat abhängt: Wenn das Ergebnis in allen drei Fenstern hält, ist es deutlich glaubwürdiger.
4. Die Zero-Shot-Inferenz.
Hier betritt das Modell die Bühne. Wir laden Timestral-209M aus den lokalen Dateien ohne weiteres Training und wenden es Reihe für Reihe an. Für jede Reihe übergeben wir ihm die 365 Verkaufstage und die bekannten Kovariablen für den gesamten Zeitraum (365 vergangene plus 28 zukünftige Tage); das Modell gibt die 28 Tage in Form von fünf Quantilen zurück (5 %, 25 %, 50 %, 75 %, 95 %). Die Vorhersagen werden in Blöcken von acht Reihen auf der CPU im reinen Inferenzmodus berechnet; negative Werte werden auf null abgeschnitten, da Verkäufe nicht negativ sein können. Jedes Ergebnis wird mit Reihen-ID, Datum, Fenster, Quantilen und Rechenzeit gespeichert. Wenn die Ausführung unterbrochen wird, setzt das Programm bei den fehlenden Reihen wieder an.
5. Bewertung und Vergleich.
Sobald die Vorhersagen feststehen, führen wir sie mit den realen Werten der 28 Tage zusammen und berechnen die Fehlerkennzahlen: MAE, RMSE, WAPE, MASE, Bias, Pinball Loss, Abdeckung und Breite der Intervalle. Dasselbe tun wir mit einer einfachen Baseline, der naiven saisonalen Vorhersage, die den Wert desselben Wochentags der Vorwoche wiederholt. Die Metriken werden pro Reihe, pro Volumensegment, pro Fenster und insgesamt aggregiert; die 95%-Konfidenzintervalle stammen aus 1.000 Re-Samplings der Zeitreihen. Die Ergebnisse landen in sechs CSV-Dateien: für Reihen, aggregiert, Baseline, Volumensegmente, Konfidenzintervalle und Zusammenfassung. Die für MAE, RMSE, WAPE und Bias verwendete Punktprognose ist der Median.
6. Bericht und Dashboard.
Der letzte Schritt verwandelt die Zahlen in ein lesbares Dokument. Ein Modul generiert automatisch den Markdown-Bericht mit Ziel, Datensatz, Protokoll, Metriken, Vergleich mit der Baseline, besten und schlechtesten Fällen sowie Einschränkungen. Ein Streamlit-Dashboard liest dieselben Dateien und zeigt vier Reiter: Übersicht, Reihe für Reihe, aggregierte Analyse und Bericht. Die Grafiken werden mit Plotly erstellt und zeigen Historie, reale Werte, prognostizierten Median sowie 50%- und 90%-Unsicherheitsbänder. Alles lässt sich mit einem einzigen Befehl neu generieren: Das Startskript führt die Pipeline aus und öffnet anschlieβend das Dashboard.
Das ist der Sinn dieses Vorgehens: Nicht nur ein Modell zu beschreiben, sondern ein Experiment überprüfbar zu machen. Die Pipeline besteht aus einer Folge expliziter Entscheidungen (welche Reihen, wie viel Historie, welche Variablen, welche Baseline), und jede einzelne kann überprüft, neu ausgeführt oder hinterfragt werden. Die folgenden Zahlen sind so viel wert wie der Prozess, der sie hervorgebracht hat: Aus diesem Grund ist der zeitliche Schnitt – der vor der Einsicht in irgendwelche Ergebnisse festgelegt wurde – der Schritt, der dem Rest Sinn verleiht.
Der Test auf M5
Ehrliche Vorbemerkung: Es handelt sich um einen hausgemachten Test, nicht um einen formalen Benchmark, und er ist im akademischen Sinne nicht unabhängig. M5 ist ein Prognosewettbewerb für die stückzahlenmäßigen Verkäufe von Walmart mit 30.490 Produkt-Filial-Reihen und 1.941 Tagen zwischen 2011 und 2016. Die offizielle Wettbewerbsmetrik, der WRMSSE, wird hier nicht berechnet, sodass die Ergebnisse nicht direkt mit der ursprünglichen Rangliste vergleichbar sind.
Wir haben 300 Reihen mittels geschichteter Zufallsstichprobe (Seed 42) gezogen: 120 mit hohem Volumen, 120 mit mittlerem Volumen und 60 mit geringem Volumen oder intermittierendem Verlauf, wobei die Schwellenwerte nur auf dem ältesten historischen Zeitraum berechnet wurden, um die Stichprobenauswahl nicht von der zu prognostizierenden Zukunft abhängig zu machen. Reihen mit Nullvolumen wurden ausgeschlossen, fehlende Tage auf null gesetzt. Drei aufeinanderfolgende 28-Tage-Fenster vom 1. Februar bis zum 24. April 2016 mit jeweils 365 Tagen Historie. Das Modell arbeitete im Zero-Shot- und univariaren Modus auf der CPU mit im Voraus bekannten Kovariablen: Wochentag, Monat, Wochenende, Ereignisse, SNAP-Tage (Lebensmittelmarken) und Preis (für den gesamten Horizont als bekannt angenommen). Keine Werbeaktionen, Bestände oder Wetterdaten. Die Referenz ist die naive saisonale Vorhersage, die den Wert desselben Wochentags der Vorwoche wiederholt. Die realen Werte des Horizonts wurden dem Modell zu keinem Zeitpunkt übergeben, und die Vorhersagen wurden auf null abgeschnitten.
Prüfung der Zahlen
Der MAE ist der mittlere absolute Fehler in verkauften Einheiten pro Tag und Reihe; der RMSE bestraft größere Fehler stärker. Der WAPE ist der Gesamtfehler geteilt durch die Gesamtvorkommnisse/-verkäufe: Es ist wichtig klarzustellen, dass 0,6348 nicht „63 % Genauigkeit“ bedeutet, sondern einen Fehler in Höhe von 63 % des verkauften Volumens. Der MASE vergleicht den Fehler mit dem mittleren Fehler einer naiven Methode in der Historie: 0,80 gegenüber 1,11 der naiven Vorhersage auf derselben Skala. Gegenüber der Referenz verbessert sich der WAPE um 23,45 %, der MAE um 23,46 %, der RMSE um 19,54 % und der MASE um 27,70 %. Die Richtung der Verbesserung ist in allen drei Fenstern konsistent, mit WAPE-Werten von 0,6728, 0,6165 und 0,6154.
Dies muss mit Vorsicht gelesen werden. Die durch Re-Sampling der Reihen ermittelten 95%-Konfidenzintervalle ergeben für den WAPE eine Spanne von 0,5883–0,6917 gegenüber 0,7610–0,9059 bei der naiven Vorhersage – klar getrennt. Für den RMSE liegen die Spannen bei 2,2543–4,9287 gegenüber 2,7815–5,6903 mit starker Überlappung, und der MAE zeigt eine nahe Überlappung: Bei diesen beiden Metriken ist ein statistischer Vorsprung nicht bewiesen. Zudem spiegeln die Intervalle die Variabilität zwischen den Zeitreihen wider, nicht zwischen den Zeitperioden.
Der Bias verdient besondere Aufmerksamkeit. Er misst den mittleren vorzeichenbehafteten Fehler, und ein Wert von −0,5632 bedeutet eine systematische Unterdschätzung: Bei durchschnittlichen Verkäufen von etwa zwei Einheiten pro Tag (abgeleitet aus dem Verhältnis von MAE zu WAPE) sind das fast 28 %, verglichen mit −0,025 bei der naiven Vorhersage. Er macht etwa 45 % des MAE aus. Für Bestandsmanager ist das der gefährlichste Mangel, da er zu Lieferengpässen führt. Der Bericht gibt nicht an, welche Punktprognose verwendet wurde: Wenn es der Median bei Zeitreihen mit vielen Nullen war, wäre das eine plausible Erklärung, bleibt aber eine zu prüfende Hypothese.
Die Prognoseintervalle sind konservativ. Das 90%-Intervall erreicht eine Abdeckung von 93,30 % – es enthält den realen Wert also häufiger als erwartet –, und das 50%-Intervall erreicht 62,62 %, zwölf Punkte über dem Nominalwert, bei einer durchschnittlichen Breite des 90%-Intervalls von 5,40 Einheiten, mehr als dem Doppelten der durchschnittlichen Verkäufe. Bei diskreten und stark nullhaltigen Daten wird die Abdeckung natürlich aufgebläht, und ohne eine gleichwertige probabilistische Referenz können wir nicht sagen, ob die Intervalle gut oder einfach nur breit sind.
Aufgeteilt nach Volumen werden die Schlussfolgerungen differenzierter. Bei den 120 Reihen mit hohem Volumen (~4 Einheiten/Tag) liegt der WAPE bei 0,5845 gegenüber 0,7518 – eine Verbesserung um 22,25 %. Bei mittlerem Volumen (~0,8) liegt er bei 0,8708 gegenüber 1,1684 (+25,47 %). Bei den 60 intermittierenden Reihen (~0,13) beträgt der WAPE 1,0069 gegenüber 1,6956, eine Verbesserung um 40,62 %, die jedoch irreführend ist: Ein WAPE über 1 ist schlechter als eine Vorhersage aus lauter Nullen, und die naive Baseline startet von einem extrem schlechten Ausgangswert. Hier sind MASE und Pinball Loss (der Quantilfehler, der für Timestral im Schnitt 0,4066 beträgt) zuverlässiger.
Einzelfälle sind lehrreicher als Durchschnitte. Der beste Fall nach WAPE ist FOODS_3_042_WI_1 (0,1975 mit MASE 0,5069), aber ein anderer unter den „Besten“, FOODS_3_329_CA_1, weist einen MASE von 1,4251 auf, was schlechter als die naive Vorhersage ist: Metriken können sich widersprechen. Der schlechteste Fall, HOUSEHOLD_2_124_TX_2, hat einen WAPE von 26,22, weil er etwa 0,012 Einheiten pro Tag verkauft, praktisch nichts. Bei FOODS_1_110_WI_1 besteht der gesamte Fehler in einer Überschätzung, möglicherweise ein ausgemusterter Artikel oder ein Engpass. Die Nullen in M5 bedeuten nicht immer fehlende Nachfrage.
Die Einschränkungen bleiben die angekündigten: 300 Reihen von über 30.000, 84 Tage ohne strukturelle Brüche, keine Werbe-Kovariablen, eine einzige einfache Baseline und kein Vergleich mit ARIMA, ETS oder anderen Foundation Models. Was die Kontamination betrifft, ist M5 seit 2020 öffentlich, und wir können nicht ausschließen, dass es in den Trainingsdaten gelandet ist. Die Schlussfolgerung lautet daher nicht, dass „Timestral auf M5 der Beste ist“, sondern dass es eine naive Regel innerhalb klarer Grenzen konsistent schlägt.
In einfachen Worten: In diesem Test hat Timestral die Verkäufe des letzten Monats besser vorhergesagt als die Regel, die den Wert der Vorwoche wiederholt, mit etwa ein Viertel weniger Fehler (WAPE 0,63 gegenüber 0,83) und demselben Vorteil in allen drei Fenstern. Der Vorsprung ist jedoch vor allem beim Gesamtfehler und beim MASE solide, während sich beim MAE und RMSE die Konfidenzintervalle überschneiden und die Überlegenheit nicht bewiesen ist. Zudem bleibt eine systematische Unterschätzung von etwa 28 % bestehen – der tückischste Fehler für die Bestandsplanung –, und die Vorhersagen sind bei Produkten mit hohem Volumen deutlich zuverlässiger als bei intermittierenden Artikeln, bei denen Nullen nicht zwischen fehlender Nachfrage und fehlender Ware unterscheiden. Zusammenfassend: ein solides Zero-Shot-Ergebnis, deutlich besser als eine elementare Baseline, aber kein endgültiger Beweis dafür, dass Timestral das bevorzugte Modell für Datensätze vom Typ M5 ist.
Wer es nutzen sollte, wer nicht
In seinem Blog nennt Mistral Anwendungsfälle wie Industriesensoren, Finanzflüsse und -volumina, Energie, Lieferkettenplanung und Systembeobachtungsmetriken. Der Einzelhandel wird hier nur durch unseren Test abgedeckt. In Kontexten mit vielen Zeitreihen, geringen statistischen Ressourcen und datenreichen bekannten Kovariablen liegt der Wert auf der Hand: Ein einziges vortrainiertes Modell vermeidet den Aufbau und die Wartung einer Pipeline für jede einzelne Reihe. Auf der Modellkarte liegt Timestral knapp vor Chronos-2, TimesFM-3, Toto-2.0 (in der Version mit 2,5 Milliarden Parametern) und t0-gamma, das Rennen ist also offen. Zudem gibt Mistral an, dass das 28-Millionen-Modell bei GIFT-Eval und TIME das etwa viermal größere Chronos-2 schlägt.
Weniger nützlich ist es in Fällen, die der gesunde Menschenverstand und Hyndman aufzeigen: wenige Zeitreihen, bekannte kausale Zusammenhänge, zwingende Erklärbarkeit, spärliche Daten oder fehlendes Know-how zur Aufrechterhaltung eines Modells im Betrieb. Sein Rat lässt sich in drei Schritten zusammenfassen: Beginnen Sie mit einer gut gemachten statistischen Referenz, testen Sie an Ihren eigenen Daten mit rollierenden Fenstern, ohne fremden Leaderboards zu vertrauen, und wägen Sie die Gesamtkosten zwischen Rechenaufwand, Latenz, Anbieterabhängigkeit und geringer Interpretierbarkeit ab. Hinzu kommt die Lizenz, die von einer Rechtsabteilung geprüft werden sollte, bevor ein kommerzielles Produkt darauf aufgebaut wird.
Zugänglicher, nicht magisch
Der Engpass verlagert sich: weniger auf die Modellauswahl, mehr auf die Datenqualität, die Überwachung von Bias und Abdeckung sowie die Governance von Kovariablen und Lizenzen. Die Souveränität mit lokaler Installation im Unternehmen mitsamt Audit-Logs ist ein weiteres Argument für alle, die ihre Daten nicht nach außen geben können.
Vier Dinge, die in den kommenden Monaten zu beobachten sind: die Veröffentlichung des technischen Berichts, unabhängige Replikationen der Ergebnisse, Anwendungsfälle in der Praxis und ernsthafte Vergleiche mit Alternativen, einschließlich statistischer. Bis dahin ist Timestral ein starkes Signal, kein endgültiger Beweis. In unserem Test schlägt es eine naive Regel um 23 % beim WAPE, unterschätzt jedoch, hat breite Vorhersageintervalle und wurde an einer begrenzten Stichprobe evaluiert.
Vorhersage ist nicht zu Magie geworden. Sie ist zugänglicher geworden.