
Quanto venderai la settimana prossima? TimesFM-3 e ChatGPT
Non usi Spotify? Ascolta dal player qui sopra, oppure con un'app di podcast gratuita, anche a schermo spento.
Ti sarà capitato di incollare in una chat con l’AI le vendite dell’ultimo anno e di chiedere i numeri del prossimo trimestre. La risposta arriva in pochi secondi, mese per mese.
Quei numeri poi li metti in un ordine al fornitore o in una riga del budget. Un modello linguistico, però, è costruito per prevedere la parola successiva. Cosa ci fa con la tua colonna di vendite?
Puoi fidarti di quei numeri?
È la domanda di questa quindicesima puntata, e la risposta la senti nell’ascolto.
Cosa trovi in questa puntata
Parto dalla chat con l’AI e passo ai Time Series Foundation Models, i modelli addestrati sulle serie temporali. Il primo è TimesFM-3 di Google Research, e lo guardo con gli occhi di chi deve metterlo dentro un gestionale: come ragiona e a cosa servono le covariate, per esempio il meteo o le promozioni.
TimesFM-3 si scarica gratis da Hugging Face. Puoi usarlo per decidere quanto ordinare al fornitore? Leggo la licenza, con la differenza fra ricerca e produzione, e poi passo a Timestral di Mistral AI, Chronos-2 di Amazon, Toto 2.0 di Datadog e TiRex-2 di NXAI.
Chiudo con il backtest: come capisci se una previsione regge sui tuoi dati prima di portarla in produzione.
È per Lead Developer, Software Architect e CTO che devono portare le previsioni di vendita o di domanda nel gestionale.
Se preferisci leggere
La versione scritta della puntata è l’articolo con lo stesso titolo, in sei lingue, con il codice e l’output del backtest che ho eseguito per scriverlo.
Altre puntate
Nella puntata 14 ho parlato di Uncle Bob e di cosa controllare quando il codice lo scrive un agente AI, e anche lì il tema era su quali criteri fidarsi di uno strumento. Nella puntata 10 c’è un’altra AI da portare dentro il gestionale, quella che legge gli ordini in PDF. Le altre puntate stanno tutte su while true do;.
Fonti
- TimesFM, repository GitHub: github.com.
- Google Research, annuncio di TimesFM-3: research.google.
- TimesFM-3, model card su Hugging Face: huggingface.co.
- TimesFM-3, testo della licenza: huggingface.co.
- TimesFM 2.5, model card: huggingface.co.
- Google Cloud, TimesFM in BigQuery: docs.cloud.google.com.
- Mistral AI, Timestral: github.com e huggingface.co.
- Timestral, licenza: huggingface.co.
- Amazon Science, Chronos-2: amazon.science.
- Chronos-2, rapporto tecnico: arxiv.org.
- Datadog, Toto 2.0: datadoghq.com e la collezione su Hugging Face.
- NXAI, TiRex-2: huggingface.co.
bit Time Professionals lavora da anni su modelli di machine learning per la previsione della domanda e delle vendite. Se vuoi capire dove l’AI porta un vantaggio nei processi della tua azienda, scrivici a professionals@bittime.it.
Per domande, proposte di temi o correzioni su quello che ho detto: whiletruedopodcast@bittime.it.
A cura di Daniele Teti e bit Time Professionals.
Fatti chiave
Episodio 15 del podcast "while true do;" di Daniele Teti: le previsioni di vendita e di domanda fatte con l'AI, da una chat con ChatGPT ai Time Series Foundation Models come TimesFM-3 di Google Research, guardate da chi deve portarle in un gestionale.
- Episodio 15, durata 9:52, pubblicato il 17/11/2026, in italiano
- Caso di partenza: incollare in una chat con l'AI le vendite dell'ultimo anno e chiedere i numeri del prossimo trimestre
- Domande che la puntata affronta: cosa fa con una colonna di numeri un modello linguistico, che prevede la parola successiva; cosa sono i Time Series Foundation Models e come ragiona TimesFM-3; a cosa servono le covariate, cioè i fattori esterni come il meteo o le promozioni; cosa permette la licenza di TimesFM-3, fra uso di ricerca e uso in produzione; quali alternative esistono (Timestral di Mistral AI, Chronos-2 di Amazon, Toto 2.0 di Datadog, TiRex-2 di NXAI); come si capisce con un backtest se una previsione regge sui propri dati
- Versione scritta: l'articolo con lo stesso titolo, in sei lingue, con il codice e l'output del backtest (https://www.danieleteti.it/post/timesfm-3-sales-forecasting-license-it/)
- Fonti citate: repository e annuncio di TimesFM-3 di Google Research, model card e licenza su Hugging Face, TimesFM in BigQuery, Timestral, Chronos-2, Toto 2.0 e TiRex-2, con i link nella pagina
- Pubblico: Lead Developer, Software Architect, CTO che portano previsioni di vendita o di domanda nel gestionale
- Autore: Daniele Teti, bit Time Professionals. Dove ascoltare: player su questa pagina e feed RSS https://www.danieleteti.it/podcast/feed.xml