Combien vendras-tu la semaine prochaine ? TimesFM-3 et ChatGPT
🇬🇧 English • 🇮🇹 Italiano • 🇪🇸 Español • 🇩🇪 Deutsch • 🇧🇷 Português
Tu as déjà collé l'historique de tes ventes dans ChatGPT pour savoir combien tu vendras le mois prochain ? TimesFM-3 de Google se télécharge gratuitement sur Hugging Face, mais que te laisse faire sa licence en entreprise ? Quelles alternatives peux-tu mettre dans un produit que tu vends ? Et comment savoir si une prévision tient sur tes données ? J'ai fait tourner un vrai backtest pour le voir.
Il t’est sûrement arrivé de coller dans un chat avec l’IA les ventes des deux dernières années et de demander combien tu vendras au prochain trimestre. La réponse arrive, bien écrite, avec des chiffres dedans. Mais un modèle de langage est entraîné à prédire le mot suivant d’un texte. Sur les chiffres, dans le meilleur des cas il écrit à la volée un petit calcul statistique, dans le pire il te renvoie un chiffre plausible. Dans les deux cas, personne n’a mesuré de combien cette prévision se trompe sur tes données.
Pour les chiffres, il existe des modèles construits exprès. Chez bit Time Professionals, nous travaillons depuis des années sur des modèles de machine learning pour la prévision de la demande et des ventes, la charge des systèmes et l’évolution des stocks. Cet article est la version écrite de l’épisode 15 de while true do; (en italien), avec en plus le code et la sortie d’un backtest que j’ai exécuté pour l’écrire.
Dans cet article
Qu’est-ce qu’un modèle de fondation pour séries temporelles ?
Jusqu’à récemment, pour faire du forecasting, tu devais entraîner un modèle sur mesure pour chaque série : les ventes d’un magasin, la charge d’un serveur, la consommation d’une usine. Les Time Series Foundation Models sont des modèles déjà entraînés sur d’énormes quantités de séries temporelles. Tu les utilises sur tes chiffres tels quels, sans les réentraîner : c’est ce qu’on appelle la prévision zero-shot.
L’idée vient des modèles de langage. TimesFM reprend la même architecture et l’adapte aux chiffres : au lieu de découper une phrase en mots, il divise la série en petits blocs de valeurs consécutives (les patches) et apprend à prédire le bloc suivant.
TimesFM-3, ce qu’il fait
Google Research a publié TimesFM-3 le 31 août 2026. Il a 330 millions de paramètres et, selon le blog de Google, il a été entraîné sur plus de mille milliards de points temporels, entre données réelles et synthétiques. Google le déclare premier, parmi les modèles de fondation, sur trois benchmarks : GIFT-Eval, fev-bench et TIME.
La nouveauté qui compte si tu développes des applications, ce sont les prévisions multivariées avec covariables. Multivarié veut dire que le modèle prévoit plusieurs séries ensemble, en tenant compte de la façon dont elles s’influencent. Les covariables sont les facteurs externes qui expliquent les chiffres : la météo, les jours fériés, les promotions. TimesFM-3 accepte aussi bien celles que tu ne connais que dans le passé que celles déjà connues pour le futur, comme les dates des soldes.
Prends un service de livraison à domicile. L’historique des commandes, seul, montre une courbe presque plate. Si tu donnes aussi la météo au modèle, il trouve que les week-ends de pluie les commandes ont augmenté, et si la météo annonce de la pluie pour samedi prochain, la prévision monte. Donc tu réapprovisionnes le stock et tu organises les équipes avant de te retrouver sans marchandise.
Il tourne aussi sur les Mac avec Apple Silicon, avec un backend MLX qui n’a pas besoin de PyTorch, et dans le dépôt il y a déjà un fichier d’instructions pour les agents IA.
Ce que dit la licence
Le code de TimesFM sur GitHub est sous Apache 2.0. Les poids de TimesFM-3 se téléchargent gratuitement sur Hugging Face, mais avec une nouvelle licence, la TimesFM Non-Commercial License v1.0. Jusqu’à la 2.5, les poids aussi étaient sous Apache 2.0.
La licence définit ainsi l’usage non commercial :
“Non-Commercial Purpose” means use for testing, evaluation, or research not tied to commercial gain, production deployment, or revenue generation. This includes internal benchmarking, academic research, and experimentation on private or public datasets, provided the results are not used in commercial decision-making, client deliverables, or paid products/services.
Autrement dit, tu peux le tester et l’évaluer même dans une entreprise, mais seulement tant que les résultats ne servent pas à des décisions commerciales. Si la prévision te sert à décider combien de marchandise commander, cet usage n’est pas couvert, même si le modèle tourne uniquement sur ton serveur et qu’aucun client ne le voit. Le README le dit sans détour : “Commercial or production use of downloaded / self-hosted weights is not permitted”.
Pour l’usage commercial, Google indique BigQuery. La documentation de Google Cloud dit que là, l’usage est régi par les conditions de Google Cloud, qui le permettent, et que la licence non commerciale ne vaut que pour les poids téléchargés. Les guides sur le multivarié dans BigQuery sont toutefois encore marqués Preview.
Si en revanche tu veux faire tourner le modèle chez toi, ou le distribuer avec ton logiciel, TimesFM 2.5 reste sous Apache 2.0. Avant de décider, lis la licence en entier et fais-la lire à la personne qui suit les contrats dans ton entreprise : le lien est dans les sources en bas.
Les alternatives
Si tu veux un moteur de prévision dans ton logiciel de gestion, sur des serveurs normaux sans cartes graphiques et avec une licence qui te laisse le vendre, les alternatives existent. Voici la situation au 17 novembre 2026, tirée des model cards et des dépôts officiels.
| Modèle | Qui le fait | Licence des poids | CPU seul | Notes |
|---|---|---|---|---|
| TimesFM-3 | Google Research | non commerciale | non vérifié | usage commercial via BigQuery |
| TimesFM 2.5 | Google Research | Apache 2.0 | non vérifié | la version précédente |
| Timestral | Mistral AI | Modified MIT | oui, déclaré | de 5 à 209 millions de paramètres ; gratuite sous 20 millions de dollars de chiffre d’affaires mensuel du groupe |
| Chronos-2 | Amazon | Apache 2.0 | oui, testé ci-dessous | 120 millions de paramètres ; séries liées et covariables ensemble |
| Toto 2.0 | Datadog | Apache 2.0 | non vérifié | de 4 millions à 2,5 milliards de paramètres ; entraîné sur des métriques d’observabilité |
| TiRex-2 | NXAI | Apache 2.0 | oui, déclaré | image Docker pour CPU et version ONNX |
| TimeGPT | Nixtla | poids non téléchargeables | - | API et SDK payants uniquement |
Donc, si tu dois distribuer le modèle avec ton logiciel, tu as aujourd’hui sans contrainte de licence Chronos-2, Toto 2.0, TiRex-2 et TimesFM 2.5, et Timestral tant que ton entreprise reste sous le seuil.
Sur les classements, je te conseille la prudence. Google déclare TimesFM-3 premier, Mistral présente Timestral comme meilleur que TimesFM-3, Datadog revendique la première place pour Toto 2.0. Chacun choisit ses benchmarks et ses métriques, et aucun classement ne te dit de combien le modèle se trompe sur tes données.
Le backtest, en vrai
Pour le savoir, tu fais un backtest. Tu caches au modèle les derniers mois de l’historique, tu lui demandes de les prévoir et tu compares la prévision avec ce qui s’est vraiment passé. Puis tu fais le même essai avec la prévision la plus naïve qui existe, c’est-à-dire « chaque mois comme le même mois de l’année précédente ». Si le modèle ne bat même pas celle-là, sur tes données il ne te sert à rien.
Je l’ai fait avec Chronos-2, choisi parce qu’il est sous Apache 2.0 et qu’il tourne sur CPU. Comme données, j’ai pris les ventes mensuelles de voitures au Québec de 1960 à 1968, 108 mois, un jeu de données pédagogique public (CSV sur GitHub). Python 3.12, chronos-forecasting 2.3.2, PyTorch 2.15 CPU uniquement :
pip install torch --index-url https://download.pytorch.org/whl/cpu
pip install chronos-forecasting pandas
import sys
import pandas as pd
from chronos import BaseChronosPipeline
# Monthly car sales in Quebec, 1960-1968 (108 months)
df = pd.read_csv(sys.argv[1])
df = df.rename(columns={"Month": "timestamp", "Sales": "target"})
df["timestamp"] = pd.to_datetime(df["timestamp"])
df["id"] = "quebec_cars"
MONTHS = 12
history, hidden = df.iloc[:-MONTHS], df.iloc[-MONTHS:]
# Chronos-2 sees only the history and must forecast the 12 hidden months
pipeline = BaseChronosPipeline.from_pretrained("amazon/chronos-2", device_map="cpu")
pred = pipeline.predict_df(history, prediction_length=MONTHS, quantile_levels=[0.1, 0.5, 0.9],
id_column="id", timestamp_column="timestamp", target="target")
chronos = pred["predictions"].to_numpy()
# Naive forecast: each month equals the same month of the previous year
naive = history["target"].iloc[-MONTHS:].to_numpy()
actual = hidden["target"].to_numpy()
print(f"{'month':<8}{'actual':>8}{'naive':>9}{'chronos':>9}")
for m, a, n, c in zip(hidden["timestamp"], actual, naive, chronos):
print(f"{m:%Y-%m} {a:>8.0f}{n:>9.0f}{c:>9.0f}")
def mape(forecast):
return (abs(actual - forecast) / actual).mean() * 100
print(f"\nmean error (MAPE) naive: {mape(naive):.1f}% chronos: {mape(chronos):.1f}%")
Voici la sortie, complète :
Loading weights: 100%|##########| 170/170 [00:00<00:00, 187.73it/s]
month actual naive chronos
1968-01 13210 12225 13652
1968-02 14251 11608 14483
1968-03 20139 20985 20187
1968-04 21725 19692 22934
1968-05 26099 24081 23580
1968-06 21084 22114 21527
1968-07 18024 14220 16177
1968-08 16722 13434 13864
1968-09 14385 13598 13231
1968-10 21342 17187 17058
1968-11 17180 16119 17327
1968-12 14577 13713 14852
mean error (MAPE) naive: 10.8% chronos: 6.7%
Dans le tableau, actual est la valeur réelle, naive la prévision naïve et chronos celle de Chronos-2. Sur cette série, Chronos-2 se trompe en moyenne de 6,7 %, la prévision naïve de 10,8 %. Deux exécutions de suite donnent les mêmes chiffres. Sur mon PC, CPU seul, une prévision prend environ un dixième de seconde, mesuré comme moyenne de cinq appels après le premier chargement.
Deux précautions avant d’en tirer des conclusions. C’est une seule série, une seule année. Et le jeu de données est public et très utilisé, donc un modèle entraîné sur des données collectées en ligne pourrait l’avoir déjà vu. C’est justement pour ça que le test qui compte est celui sur tes données, qu’aucun modèle n’a vues. Le code reste le même : tu changes le CSV et les deux colonnes.
Par où commencer
Prends une série que tu connais bien, par exemple les ventes mensuelles d’une ligne de produits sur les trois dernières années, et refais le backtest ci-dessus. Si le modèle bat la prévision naïve, ajoute une covariable dont tu sais déjà qu’elle compte, comme les promotions, et regarde si l’erreur baisse. S’il ne la bat pas, tu t’arrêtes là, avant d’avoir dépensé un projet entier.
Je suis convaincu que presque toutes les entreprises, à commencer par les PME, ont déjà chez elles les bonnes données pour utiliser ces modèles sans changer leur façon de travailler. Chez bit Time Professionals, nous proposons trente minutes de conseil gratuit pour regarder ensemble tes processus et voir où l’IA, y compris ces modèles, t’apporte un avantage concret. Écris à professionals@bittime.it.
L’épisode est sur while true do; (en italien). Les critères mesurables à la place de la confiance dans l’outil, c’est le sujet de l’épisode 14 sur Uncle Bob (en italien), et sur ce qu’il faut contrôler dans le code écrit par l’IA, il y a l’article Zéro erreur, CI verte, code de l’IA : qui y a vraiment réfléchi ?. Pour des questions ou des corrections : whiletruedopodcast@bittime.it.
Sources
- Google Research, TimesFM-3: a zero-shot foundation model for multivariate forecasting.
- Dépôt TimesFM sur GitHub : code Apache 2.0, poids jusqu’à la 2.5 Apache 2.0, backend MLX.
- TimesFM-3 sur Hugging Face et le texte de la TimesFM Non-Commercial License v1.0.
- TimesFM 2.5 sur Hugging Face, licence Apache 2.0.
- Google Cloud, TimesFM dans BigQuery.
- Mistral AI, Timestral sur GitHub, model card et licence.
- Amazon Science, Introducing Chronos-2 et le rapport technique.
- Datadog, Toto 2.0 et la collection sur Hugging Face.
- NXAI, TiRex-2 sur Hugging Face.
- Nixtla, TimeGPT.
- Jeu de données : monthly car sales in Quebec, 1960-1968.
Faits clés
Article de Daniele Teti (bit Time Professionals), version écrite de l'épisode 15 du podcast « while true do; », sur TimesFM-3 de Google et sur les Time Series Foundation Models pour la prévision de la demande et des ventes en entreprise.
- TimesFM-3 (Google Research, 31 août 2026) : 330 millions de paramètres, entraîné sur plus de mille milliards de points temporels, déclaré premier parmi les modèles de fondation sur GIFT-Eval, fev-bench et TIME ; prend en charge les covariables passées et futures et les prévisions multivariées.
- Licence : code Apache 2.0 ; poids de TimesFM-3 sous TimesFM Non-Commercial License v1.0, qui exclut l'usage des résultats pour des décisions commerciales, des livrables clients et des produits payants, y compris à l'intérieur d'une entreprise. Usage commercial via BigQuery (conditions de Google Cloud). Les poids jusqu'à TimesFM 2.5 restent sous Apache 2.0.
- Alternatives avec poids Apache 2.0 : Chronos-2 (Amazon), Toto 2.0 (Datadog), TiRex-2 (NXAI). Timestral (Mistral AI) utilise une Modified MIT avec un seuil de 20 millions de dollars de chiffre d'affaires mensuel. TimeGPT (Nixtla) est disponible uniquement via API.
- Backtest exécuté par l'auteur avec Chronos-2 sur CPU (ventes mensuelles de voitures au Québec 1960-1968, 12 derniers mois cachés) : MAPE de 6,7 % contre 10,8 % pour la prévision saisonnière naïve ; environ 0,1 seconde par prévision. Une seule série, jeu de données public peut-être vu pendant l'entraînement : le test qui compte est celui sur ses propres données.
- Auteur : Daniele Teti, bit Time Professionals. Trente minutes de conseil gratuit : professionals@bittime.it.
Comments