Fransız yapay zekâ şirketi Mistral AI, dil modellerinin dışına çıkarak ilk zaman serisi temel model (time-series foundation model) ailesi Timestral’ı tanıttı. Şirketin duyurusuna göre ailenin en büyük üyesi, yalnızca 209 milyon parametreyle alanın üç ana açık kıyaslaması olan GIFT-Eval, TIME ve fev-bench’te önceden eğitilmiş ve sıfır atışlı (zero-shot) modeller arasında ilk sırada yer alıyor. Modellerin ağırlıkları Hugging Face’te, çıkarım kodu ise GitHub’da yayımlandı.
Zaman serileri; sensör ölçümlerinden enerji tüketimine, satış hacimlerinden sunucu metriklerine kadar kurumların en sık kullandığı veri türlerinden biri. Bu verilere dayanan tahminler kapasite planlaması, bakım, tedarik zinciri ve risk yönetimi gibi kararları doğrudan etkiliyor.
Dört boy, tek mimari
Timestral; 5 milyon, 28 milyon, 123 milyon ve 209 milyon parametreli dört modelden oluşuyor. Hepsi aynı mimari ve eğitim tarifiyle geliştirildi. Büyük modeller daha isabetli tahmin üretirken küçükler daha hızlı ve ucuz çalışıyor. Mistral’e göre her boyut, isabet ile model büyüklüğü arasındaki dengede kendi sınıfının en iyisi. Şirket, 28 milyon parametreli modelin yaklaşık dört kat büyük Amazon Chronos-2’yi GIFT-Eval ve TIME’da geçtiğini, 209 milyonluk modelin ise daha az parametreyle Google’ın 330 milyon parametreli TimesFM-3’ünü geride bıraktığını belirtiyor.
Hugging Face’teki model kartında yer alan sonuçlara göre Timestral-209M, GIFT-Eval’da 0,658 MASE ve 0,446 CRPS değerine ulaşıyor (düşük daha iyi); TimesFM-3 için aynı tablo 0,667 ve 0,456 değerlerini gösteriyor. fev-bench’te ise SQL beceri puanı 50,39; TimesFM-3’te bu değer 48,99. MarkTechPost, GIFT-Eval’daki farkın en yakın rakibe karşı oldukça dar olduğuna da dikkat çekiyor. Sonuçlar tek bir kontrol noktasından, model birleştirme (ensembling) yapılmadan alındı ve Mistral sonuçları GIFT-Eval ve TIME liderlik tablolarına gönderdiğini açıkladı.
GPU olmadan milisaniyeler içinde tahmin
Timestral’ın en pratik özelliği donanım ihtiyacının düşük olması. Mistral’e göre 8 iş parçacıklı standart bir sunucu işlemcisinde, 15 dakikalık aralıklarla tutulmuş üç haftalık geçmişten bir gün sonrasını tahmin etmek 5 milyonluk modelle 10 milisaniye, 209 milyonluk modelle 140 milisaniye sürüyor. 28 milyonluk model 209 milyonluk modelden beş kat hızlı; 123 milyonluk model ise en büyük modelin puanına yüzde 0,2 yakınlıkta kalırken gecikmesinin dörtte üçüyle çalışıyor. MarkTechPost’un aktardığına göre 209M modelin ağırlıkları fp32 formatında 837 MB.
Neler yapabiliyor?
Model kartına göre Timestral tek değişkenli ve çok değişkenli tahmin yapabiliyor; 32.768 zaman adımına kadar geçmişi bağlam olarak okuyup tek geçişte 1.024 adıma kadar ileriyi tahmin ediyor. Daha uzun ufuklar blok blok üretiliyor. Tek bir sayı yerine 21 farklı yüzdelik dilimden oluşan olasılıksal tahmin veriyor; böylece kullanıcılar belirsizliğin ne kadar geniş olduğunu görebiliyor. Yalnızca geçmişte bilinen ve geleceği önceden bilinen yardımcı değişkenleri (örneğin üretim takvimi, planlı duruşlar, hava tahmini ya da tatil günleri) ayrı ayrı işleyebiliyor, haftanın günü veya makine durumu gibi kategorik bilgileri doğrudan kabul ediyor ve eksik değerleri işaretleyerek çalışabiliyor.
Mistral, bir fabrikadaki binlerce sensör örneğiyle kullanım senaryosunu anlatıyor: Bir pompanın titreşim, sıcaklık ve basınç değerleri birlikte modellenerek anomaliler yakalanıyor; ardından şirketin dil modellerine dayalı ajanlar bakım kayıtlarını ve geçmiş arızaları inceleyip yöneticiye kanıtlarıyla bir teşhis taslağı sunabiliyor.
Teknik yenilikler ve lisans
Şirket dört teknik katkı öne çıkarıyor: geçmiş verinin tamamını bağlamda tutan ve tahmini ayrı öğrenilmiş belirteçlerle yapan “Decoupled Horizon Forecasting” yaklaşımı, geleceğe ait bilgilerin hedefe sızmasını önleyen yardımcı değişken farkındalıklı dikkat mekanizması, büyük ölçüde sentetik veriyle eğitim ve iki aşamalı eğitim süreci. Modeller önce 8.192 adımlık bağlamla tamamen sentetik veride, ardından dört kat uzun bağlamla gerçek ve sentetik karışık veride eğitildi. Ayrıntılı teknik raporun ileride yayımlanacağı belirtiliyor.
Ağırlıklar Hugging Face’te “Modified MIT” lisansıyla, GitHub’daki çıkarım kodu ise Apache 2.0 lisansıyla sunuluyor. MarkTechPost, TimesFM-3 ağırlıklarının ticari olmayan bir lisansla dağıtıldığını hatırlatıyor. Kurumlar modeli kendi verileriyle ince ayar yapmak isterse Mistral Forge eğitim altyapısını kullanabiliyor; sistem şirket içi sunuculara, sanal özel buluta ve internetten yalıtılmış ortamlara kurulabiliyor.
Neden önemli?
Yapay zekâ tartışmaları çoğunlukla sohbet botlarına odaklansa da işletmelerdeki en yaygın ihtiyaçlardan biri doğru tahmin. Timestral gibi küçük, CPU’da çalışan ve açık ağırlıklı modeller, pahalı GPU altyapısı olmayan küçük ve orta ölçekli şirketlerin, belediyelerin ya da üniversite laboratuvarlarının da enerji, stok veya talep tahmininde temel modellerden yararlanmasını kolaylaştırabilir. Yine de kıyaslama sonuçları şirketin kendi raporladığı değerler; kendi verinizde denemeden karar vermemek gerekiyor.
Kaynak: Mistral AI, Hugging Face, GitHub, MarkTechPost
