Mistral brengt Timestral uit voor tijdreeksvoorspellingen

Mistral AI heeft met Timestral zijn eerste familie van tijdreeksmodellen uitgebracht. Die modellen voorspellen hoe meetwaarden zich in de tijd ontwikkelen, zoals sensordata van een fabriek of transactievolumes bij een bank. Volgens het Franse bedrijf hebben ze daarvoor geen GPU nodig: een gewone server-CPU volstaat.

Vier formaten, één recept

In de aankondiging van 15 oktober beschrijft Mistral vier varianten van 5 miljoen, 28 miljoen, 123 miljoen en 209 miljoen parameters. Ze delen dezelfde architectuur en trainingsmethode. Dat is piepklein naast de taalmodellen waarmee Mistral bekend werd, die hun parameters in miljarden tellen. Het bedrijf werkt intussen ook met CERN aan een AI-model voor deeltjesfysica.

Volgens de modelkaart op Hugging Face is de kleinste versie een transformer met acht lagen die data verwerkt in blokjes van 32 tijdstappen. Het model kijkt maximaal 32.768 tijdstappen terug en voorspelt per keer tot 1.024 stappen vooruit. De uitkomst bestaat uit 21 kwantielen, van 1 tot 99 procent, zodat een gebruiker meteen een bandbreedte ziet in plaats van één voorspelde waarde. Je kunt ook extra variabelen meegeven, numeriek of categorisch, en ontbrekende metingen mogen gewoon leeg blijven.

Bovenaan drie ranglijsten

Mistral claimt dat het grootste model eerste staat op de drie belangrijkste openbare benchmarks voor tijdreeksen: GIFT-Eval, TIME en fev-bench. Het gaat om zero-shot voorspellingen, dus zonder dat het model eerst op de data van de gebruiker is getraind, en om één checkpoint zonder ensembles. Het 28M-model verslaat volgens Mistral Chronos-2 van Amazon, dat ongeveer vier keer zo groot is. De 209M-versie laat ook TimesFM-3 van Google achter zich. De scores zijn ingediend bij de ranglijsten van GIFT-Eval en TIME, maar het technische rapport komt pas later. Onafhankelijke controle ontbreekt dus nog.

Snel op een gewone processor

Het interessantste getal gaat over snelheid. Op een server-CPU met acht threads voorspelt het kleinste model een dag vooruit, op basis van drie weken aan kwartierdata, in 10 milliseconden. De grootste versie doet er 140 milliseconden over. De 123M-variant zit volgens Mistral binnen 0,2 procent van de topscore en is een kwart sneller.

Voor bedrijven scheelt dat geld. GPU-capaciteit is duur, en Gartner waarschuwde vorige week dat een groot deel van de investeringen in AI-hardware afgeschreven dreigt te worden. Een voorspelmodel dat op bestaande servers draait, ook on-premises of in een volledig afgesloten omgeving, ontloopt die kosten.

Open gewichten met een eigen licentie

De gewichten staan op Hugging Face, de code op GitHub. Mistral gebruikt een aangepaste MIT-licentie die gebruik verbiedt dat inbreuk maakt op rechten van derden. Meer modelbouwers kiezen zo’n open route; Reflection AI zette vorige week de gewichten van Beam online. Wie Timestral op eigen data wil bijtrainen, kan dat via Mistral Forge. In de API heet het model timestral-1-0.

Wat betekent dit

Tijdreeksvoorspelling krijgt minder aandacht dan chatbots, terwijl veel bedrijven er hun planning op draaien: onderhoud, energievraag, voorraad. Mistral mikt zelf op fabrieken en de financiële sector, en wil Timestral koppelen aan zijn taalmodellen. Een agent kan dan bij een afwijking in sensordata zelf op zoek gaan naar de oorzaak. Voor Europese bedrijven die hun meetdata liever niet naar een Amerikaanse cloud sturen, is een klein model dat lokaal op een CPU draait een serieuze optie. Of de benchmarkclaims standhouden, blijkt zodra het technische rapport en de onafhankelijke ranglijsten er zijn.