מיסטרל משחררת את Timestral: משפחת מודלים לחיזוי סדרות זמן שמתחרה ב-TimesFM של גוגל
מיסטרל הצרפתית הכריזה על Timestral, משפחת מודלי יסוד לחיזוי סדרות זמן בגדלים של 5 מיליון עד 209 מיליון פרמטרים. לפי הדיווח, הגרסה הגדולה מובילה את מדדי GIFT-Eval, TIME ו-fev-bench בקטגוריית ה-zero-shot ועוקפת את TimesFM-3 של גוגל, והיא רצה גם על מעבד CPU רגיל.
חברת הבינה המלאכותית הצרפתית מיסטרל (Mistral AI) שחררה את Timestral, משפחה של מודלי יסוד (foundation models) לחיזוי סדרות זמן. גודל המודלים במשפחה נע בין 5 מיליון ל-209 מיליון פרמטרים. לפי הדיווח באתר MarkTechPost, המודל הגדול במשפחה מוביל את מדדי GIFT-Eval, TIME ו-fev-bench מבין המודלים שפועלים במצב zero-shot, ועוקף את TimesFM-3 של גוגל. עוד צוין שהוא רץ על מעבד CPU רגיל, בלי צורך במעבד גרפי.
מה זה בכלל חיזוי סדרות זמן
סדרת זמן היא רצף של מדידות לאורך זמן: מכירות יומיות בחנות, צריכת חשמל לפי שעה, שערי מניות, עומסי תנועה או נתוני חיישנים במפעל. חיזוי סדרות זמן הוא הניסיון להעריך, על סמך העבר, מה יקרה בהמשך. זו אחת המשימות הוותיקות והנפוצות בניתוח נתונים, והיא משמשת בתכנון מלאי, בניהול רשתות חשמל, בפיננסים ובלוגיסטיקה.
בגישה המסורתית, ארגון שרצה תחזית בנה או אימן מודל ייעודי לכל סוג נתונים. מודלי היסוד לסדרות זמן מנסים לעבוד אחרת: הם מאומנים מראש על כמות גדולה ומגוונת של סדרות, ואז אפשר להפעיל אותם על נתונים חדשים בלי אימון נוסף. זה הפירוש של zero-shot, כלומר המודל מתבקש לחזות סדרה שלא ראה קודם ובלי התאמה מיוחדת. הרעיון דומה לזה של מודלי השפה הגדולים (LLM), רק שבמקום מילים המודל מעבד מספרים לאורך ציר הזמן.
המדדים וההשוואה לגוגל
GIFT-Eval, TIME ו-fev-bench הם מדדי ביצועים (benchmarks) שבודקים את איכות התחזיות של מודלים כאלה על מגוון מערכי נתונים. לפי הדיווח, הגרסה בת 209 מיליון הפרמטרים מדורגת ראשונה בשלושתם בקטגוריית ה-zero-shot.
ההשוואה ל-TimesFM-3 חשובה כאן. TimesFM היא סדרת מודלי החיזוי של גוגל, ומקובל לראות בה אחת מנקודות הייחוס המרכזיות בתחום. כשמיסטרל מציגה מודל שעוקף אותה, ככל הנראה היא מסמנת שהיא לא מתכוונת להסתפק בצ'אטבוטים ובמודלי שפה, ושהיא מוכנה להתחרות בגוגל גם בתחומים צרים יותר.
כדאי לזכור שמדובר בתוצאות שהחברה עצמה פרסמה ושהוצגו בדיווח. מדדים כאלה משקפים מערכי נתונים מסוימים, וביצועים בעולם האמיתי, על הנתונים של ארגון ספציפי, עשויים להיות שונים. בדרך כלל התמונה המלאה מתבררת רק אחרי שגורמים חיצוניים בודקים מודל כזה בעצמם.
למה זה חשוב
הפרט שעשוי להיות המשמעותי ביותר לשימוש היומיומי הוא דווקא הגודל. 209 מיליון פרמטרים זה מעט מאוד בהשוואה למודלי שפה מובילים, שגודלם נמדד בעשרות ובמאות מיליארדים. מודל שרץ על CPU רגיל יכול לפעול על שרת קיים, על מחשב נייד או קרוב למקור הנתונים, בלי להשקיע בחומרה גרפית יקרה. בנוסף, טווח הגדלים במשפחה, החל מ-5 מיליון פרמטרים, מרמז שיש גרסאות קלות עוד יותר, שאולי מתאימות למכשירים עם משאבים מוגבלים.
ההערכה היא שהשילוב הזה, ביצועים שמוצגים כמובילים לצד דרישות חומרה צנועות, הוא מה שעשוי למשוך ארגונים שזקוקים לתחזיות אבל לא רוצים לבנות מודל ייעודי לכל סדרת נתונים. חיזוי סדרות זמן מושך פחות כותרות ממודלי שפה, אבל בכמה ענפים הוא משפיע ישירות על החלטות עסקיות. העובדה ששחקן מרכזי כמו מיסטרל נכנס לתחום ומתמודד מול גוגל מצביעה ככל הנראה על כך שמודלי היסוד לסדרות זמן הופכים לזירת תחרות בפני עצמה.