Google Research ha dado un paso adelante significativo en el campo de la inteligencia artificial con la presentación de TimesFM-3. Este modelo fundacional, dotado de 330 millones de parámetros, está diseñado para transformar la forma en que abordamos la predicción de series temporales. A diferencia de sus predecesores, TimesFM-3 se enfoca en el análisis simultáneo de múltiples series temporales interconectadas, ofreciendo predicciones en una única pasada. Esto se traduce en una notable reducción de la latencia, los costos computacionales y la acumulación de errores, aspectos cruciales para cualquier negocio o proyecto que dependa de análisis predictivos.

Un modelo entrenado para la complejidad del mundo real

La capacidad de TimesFM-3 para manejar datos complejos se basa en un entrenamiento masivo. Ha sido preentrenado con más de un billón de puntos temporales, tanto reales como sintéticos. Esto le permite integrar señales históricas y variables futuras conocidas sin necesidad de un ajuste fino específico para cada tarea. Imagina, por ejemplo, que necesitas predecir las ventas de helados. Las versiones anteriores de TimesFM habrían analizado solo el historial de ventas de helados. TimesFM-3, sin embargo, puede considerar simultáneamente factores como las ventas de productos similares, el tráfico de clientes, las condiciones climáticas, las promociones activas y los días festivos.

Esta capacidad de correlacionar múltiples variables es un cambio de juego. Hasta ahora, muchos modelos trataban cada serie temporal de forma aislada, lo que no reflejaba la interconexión de las variables en el mundo empresarial. TimesFM-3 aborda esta realidad, permitiéndote:

  • Considerar covariables pasadas (como el tráfico histórico de visitantes).
  • Incorporar covariables pasado-futuro (eventos programados como promociones o días festivos).

Todo esto se logra en modalidad zero-shot, lo que significa que el modelo puede aplicarse a nuevas tareas sin un entrenamiento adicional específico. Esto simplifica enormemente el proceso para ti, permitiéndote reutilizar el modelo preentrenado y obtener resultados relevantes, siempre y cuando la calidad y estructura de tus datos sean adecuadas.

Arquitectura innovadora para una mayor precisión

El núcleo de TimesFM-3 mantiene una arquitectura de transformador solo decodificador, pero con una organización de la información optimizada para series temporales. Los puntos contiguos se agrupan en 'parches' de 32 pasos y se normalizan por serie, evitando que las diferencias de escala entre variables distorsionen el análisis. La innovación clave reside en sus dos mecanismos de atención alternantes:

  • Atención temporal causal: Avanza horizontalmente, asegurando que solo se consulten tokens anteriores dentro de la misma serie, previniendo filtraciones de información futura.
  • Atención completa por variable: Se desplaza verticalmente, permitiendo que cada token lea otras series disponibles en ese instante. Esto facilita que el modelo aprenda dependencias y correlaciones entre variables, manteniendo la causalidad temporal.

Además, TimesFM-3 introduce el Contiguous Patch Masking, una estrategia que permite al modelo generar pronósticos completos en una sola pasada. Esto elimina la necesidad de encadenar numerosas predicciones intermedias, lo que se traduce en una inferencia más eficiente y una reducción de errores acumulativos.

El modelo no solo te proporciona una cifra puntual, sino que entrega nueve cuantiles para cada objetivo y cada paso del horizonte. Esto incluye desde el percentil 10 hasta el 90, ofreciéndote una visión completa de la incertidumbre y permitiéndote una planificación más robusta de inventarios, evaluación de demanda o comparación de escenarios de riesgo.

Resultados prometedores, pero con limitaciones

Google ha comparado TimesFM-3 con modelos como Chronos-2, la familia Toto 2.0 y TimesFM-2.5 en diversas evaluaciones (GIFT-Eval, fev-bench y el leaderboard TIME). Los resultados muestran que TimesFM-3 ha logrado el mejor rango promedio entre los modelos fundacionales preentrenados en estas pruebas, tanto para métricas puntuales como probabilísticas. Esto subraya su potencial para convertirse en una herramienta líder en el pronóstico multivariante.

Sin embargo, es crucial entender que, si bien el código de TimesFM es de código abierto bajo licencia Apache-2.0, los pesos de TimesFM-3.0 están sujetos a una licencia no comercial (timesfm-non-commercial-license-v1.0). Esto significa que, por ahora, puedes evaluar el modelo, pero no puedes desplegar sus pesos en una API de pronóstico comercial o utilizarlos en un entorno productivo. Esta restricción actual marca una diferencia importante a considerar si estás pensando en su implementación en tu negocio.