TimesFM-3 : Google prédit enfin plusieurs ventes à la fois

Pourquoi c'est un vrai changement

Avant TimesFM-3, les modèles de prévision étaient des myopes : ils ne voyaient que l'historique d'une seule donnée. Tu veux prévoir les ventes de glace ? Ils regardaient les ventes passées, point. Zéro contexte.

Imagine que tu diriges une chaîne de glaces. Tu sais que chaque promotion booste les ventes de ~20%. Mais le modèle univarié précédent n'en avait aucune idée — il prédisait juste « voilà la tendance habituelle ».

TimesFM-3 change la donne : tu lui passes le calendrier des promotions (futur connu), les ventes passées des produits connexes (cônes, sirops), la météo en tant que covariable. Le modèle apprend les relations (promotion → +20% de ventes) sur les données historiques, puis les applique aux jours futurs avec promotions prévues. Résultat : une prévision qui anticipe vraiment le coup.

Sous le capot : comment ça marche

L'archi classique de TimesFM persiste (decoder-only transformer), mais la vraie innovation c'est la gestion des données multivariées :

Deux types d'attention qui alternent :

• ▸Attention temporelle (horizontale) : un point regarde les points passés de sa propre série (causal, pas de fuite de données).
• ▸Attention inter-séries (verticale) : un point regarde toutes les autres séries au même moment — c'est ainsi que le modèle capte comment une promo dans une série affecte une autre.

Décodage sans boucle : au lieu de générer prévision par prévision (lent, erreurs qui s'accumulent), TimesFM-3 masque la période future et la remplit d'un seul coup. Les covariables « passé-futur » restent visibles (tu connais déjà les promotions et jours fériés), les autres sont masquées.

Prise en charge des quantiles : le modèle produit 9 quantiles (10e au 90e percentile) pour chaque cible, donc tu ne vois pas juste une prévision ponctuelle mais une plage de confiance.

Les chiffres

330 millions de paramètres, pré-entraîné sur plus de 1 trillion de points. Sur trois benchmarks publics majeurs (Gift-Eval, FEV-Bench, Time-Eval), TimesFM-3 arrive premier en prévisions ponctuelles et probabilistes, devant Chronos-2, Toto 2.0, et sa propre version 2.5.

Même en mode univarié (zéro covariables), il égale ou surpasse la concurrence. Dès qu'on active le mode multivarié, c'est le décollage.

Accès et prochaines étapes

Disponible maintenant sur GitHub et Hugging Face. L'intégration BigQuery approche (« AI.FORECAST » sur données multivariées). Si tu fais du machine learning basique, TimesFM-2.5 est déjà accessible sur BigQuery — zéro expertise ML requise.