Google introduceert TimesFM-3 voor het voorspellen van toekomstige trends

Google Research heeft het kunstmatige intelligentiemodel TimesFM-3 gelanceerd. Het model is ontworpen om toekomstige waarden te voorspellen op basis van tijdreeksen, zoals dagelijkse verkoopcijfers. Het systeem verwerkt ook gerelateerde gegevens en bekende toekomstige gebeurtenissen om de nauwkeurigheid van de voorspellingen te verhogen.

Het model is gebouwd op een transformer-architectuur, dezelfde basisstructuur als de voorgaande versies. TimesFM-3 bundelt 32 opeenvolgende meetwaarden in één blok en schaleert elke reeks naar een uniforme schaal. Hierdoor kunnen meetgrootheden van verschillende grootte met elkaar worden vergeleken. Het model verwerkt de gegevens in twee afwisselende richtingen. Langs de tijdsas zoekt het naar patronen in de loop van een enkele reeks en gebruikt alleen eerdere waarden om te voorkomen dat het onbedoeld toekomstige informatie gebruikt. Loops op de tijdsas vergelijkt het alle reeksen op een specifiek moment en leert het hoe deze met elkaar samenhangen. Op deze manier kan het bijvoorbeeld herkennen hoe een korting op één product de verkoop van een ander product beïnvloedt.

TimesFM-3 beschikt over 330 miljoen parameters. Volgens Google is het model getraind met echte en kunstmatig gegenereerde tijdreeksen van meer dan een biljoen meetpunten. Het werkt zonder aanvullende training voor nieuwe taken, een methode die zero-shot wordt genoemd. Het model verwerkt drie soorten aanvullende gegevens. Het voorspelt meerdere gerelateerde meetgrootheden tegelijk, zoals verschillende ijssoorten. Het neemt factoren mee die alleen voor het verleden beschikbaar zijn, zoals eerdere klantstromen. Daarnaast verwerkt het bekende toekomstige gebeurtenissen, zoals geplande kortingsacties of weersvoorspellingen.

In plaats van één geschatte waarde geeft TimesFM-3 per tijdstip negen waarden uit. Deze waarden geven de spreiding en daarmee de onzekerheid van de voorspelling weer. Eerdere versies bepaalden de toekomst blok voor blok, wat tijd en rekenkracht kostte en fouten groter maakte omdat elke voorspelling op de vorige was gebaseerd. TimesFM-3 markeert alle toekomstige tijdstippen eerst als lege plekken en vult deze in één enkele doorloop tegelijkertijd in.

Google illustreert het nut van het model met een voorbeeld van een ijssalon. Een model dat alleen eerdere verkopen kent, zet het gebruikelijke weekpatroon voort en neemt geen rekening met geplande acties. Als TimesFM-3 het kortingsplan ontvangt, leert het uit het verleden hoe sterk acties de verkoop stimuleren en rekent het op elke actie dag met ongeveer 20 procent meer verkopen.

Op de benchmarks Gift-Eval, FEV-Bench en Time staat TimesFM-3 volgens Google bovenaan onder alle voorgetrainde voorspellingsmodellen, zowel qua nauwkeurigheid als qua inschatting van de eigen onzekerheid. Google noemt Chronos-2 van Amazon, de Toto-2.0-familie en de eigen voorganger TimesFM-2.5 als concurrenten. Zelfs met slechts één meetgrootte bereikt of overtreft TimesFM-3 de concurrentie. Met aanvullende gegevens groeit het voordeel verder.

TimesFM-3 is beschikbaar op GitHub en Hugging Face. In de komende weken zal het model worden geïntegreerd in de databasisservice BigQuery van Google. Daar kan de voorgaande versie momenteel worden gebruikt voor enkele meetgrootheden via de opdracht AI.FORECAST. Sinds de lancering in 2024 zet Google de modelfamilie in de detailhandel, de financiële sector, de productie, de gezondheidszorg en de natuurwetenschappen in. De versies tot en met TimesFM-2.5 uit september 2025 verwerkten elk slechts één datareeks. Google werkt ook buiten tijdreeksen aan voorspellingsmodellen. Begin augustus publiceerde Google DeepMind WeatherNext Cyclones, een open source kunstmatige intelligentiesysteem voor tropische wervelstormen, dat de route en intensiteit ongeveer een dag verder voorspelt dan de vooraanstaande operationele modellen.