Quanto venderai la settimana prossima? TimesFM-3 e ChatGPT
🇬🇧 English • 🇪🇸 Español • 🇩🇪 Deutsch • 🇫🇷 Français • 🇧🇷 Português
Hai mai incollato lo storico delle vendite in ChatGPT per sapere quanto venderai il mese prossimo? TimesFM-3 di Google si scarica gratis da Hugging Face, ma la licenza cosa ti lascia fare in azienda? Quali alternative puoi mettere dentro un prodotto che vendi? E come sai se una previsione regge sui tuoi dati? Ho fatto girare un backtest vero per vederlo.
Ti sarà capitato di incollare in una chat con l’AI le vendite degli ultimi due anni e di chiedere quanto venderai il prossimo trimestre. La risposta arriva, scritta bene e con dei numeri dentro. Un modello linguistico però è addestrato a prevedere la parola successiva di un testo. Sui numeri, nel caso migliore si scrive al volo un piccolo calcolo statistico, nel caso peggiore ti restituisce una cifra plausibile. In tutti e due i casi nessuno ha misurato quanto quella previsione sbaglia sui tuoi dati.
Per i numeri esistono modelli costruiti apposta. In bit Time Professionals lavoriamo da anni su modelli di machine learning per la previsione della domanda e delle vendite, il carico dei sistemi e l’andamento del magazzino. Questo articolo è la versione scritta della puntata 15 di while true do;, con in più il codice e l’output di un backtest che ho eseguito per scriverlo.
In questo articolo
Cos’è un foundation model per le serie temporali?
Fino a poco tempo fa, per fare forecasting dovevi addestrare un modello su misura per ogni serie: le vendite di un negozio, il carico di un server, i consumi di uno stabilimento. I Time Series Foundation Models sono modelli già addestrati su enormi quantità di serie temporali. Li usi sui tuoi numeri così come sono, senza riaddestrarli: è quello che si chiama previsione zero-shot.
L’idea viene dai modelli linguistici. TimesFM prende la stessa architettura e la adatta ai numeri: invece di spezzare una frase in parole, divide la serie in piccoli blocchi di valori consecutivi (le patch) e impara a prevedere il blocco successivo.
TimesFM-3, cosa fa
Google Research ha rilasciato TimesFM-3 il 31 agosto 2026. Ha 330 milioni di parametri e, secondo il blog di Google, è stato addestrato su più di mille miliardi di punti temporali, fra dati reali e sintetici. Google lo dichiara primo, fra i foundation model, su tre benchmark: GIFT-Eval, fev-bench e TIME.
La novità che conta per chi sviluppa applicazioni sono le previsioni multivariate con covariate. Multivariate vuol dire che il modello prevede più serie insieme, tenendo conto di come si influenzano. Le covariate sono i fattori esterni che spiegano i numeri: il meteo, le festività, le promozioni. TimesFM-3 accetta sia quelle che conosci solo nel passato sia quelle già note per il futuro, come le date dei saldi.
Prendi un servizio di consegne a domicilio. Lo storico degli ordini da solo mostra una curva quasi piatta. Se passi al modello anche il meteo, trova che nei weekend di pioggia gli ordini sono saliti, e se il meteo annuncia pioggia per sabato prossimo la previsione sale. Quindi riassortisci il magazzino e organizzi i turni prima di restare senza merce.
Gira anche sui Mac con Apple Silicon, con un backend MLX che non ha bisogno di PyTorch, e nel repository c’è già un file di istruzioni per gli agenti AI.
Cosa dice la licenza
Il codice di TimesFM su GitHub è in Apache 2.0. I pesi di TimesFM-3 si scaricano gratis da Hugging Face, ma con una licenza nuova, la TimesFM Non-Commercial License v1.0. Fino alla 2.5 anche i pesi erano in Apache 2.0.
La licenza definisce così l’uso non commerciale:
“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.
Cioè puoi provarlo e valutarlo anche dentro un’azienda, ma solo finché i risultati non servono a decisioni commerciali. Se la previsione ti serve per decidere quanta merce ordinare, quell’uso non è coperto, anche se il modello gira solo sul tuo server e nessun cliente lo vede. Il README lo dice senza giri di parole: “Commercial or production use of downloaded / self-hosted weights is not permitted”.
Per l’uso commerciale Google indica BigQuery. La documentazione di Google Cloud dice che lì l’uso è regolato dai termini di Google Cloud, che lo permettono, e che la licenza non commerciale vale solo per i pesi scaricati. Le guide sul multivariato in BigQuery però sono ancora segnate come Preview.
Se invece il modello lo vuoi far girare in casa, o distribuire insieme al tuo software, TimesFM 2.5 resta in Apache 2.0. Prima di decidere, leggi la licenza per intero e falla leggere a chi in azienda segue i contratti: il link è nelle fonti in fondo.
Le alternative
Se vuoi un motore di previsione dentro il tuo gestionale, su server normali senza schede grafiche e con una licenza che ti lasci venderlo, le alternative ci sono. Questa è la situazione al 17 novembre 2026, presa dalle model card e dai repository ufficiali.
| Modello | Chi lo fa | Licenza dei pesi | Solo CPU | Note |
|---|---|---|---|---|
| TimesFM-3 | Google Research | non commerciale | non verificato | uso commerciale tramite BigQuery |
| TimesFM 2.5 | Google Research | Apache 2.0 | non verificato | la versione precedente |
| Timestral | Mistral AI | Modified MIT | sì, dichiarato | da 5 a 209 milioni di parametri; gratuita sotto i 20 milioni di dollari di fatturato mensile del gruppo |
| Chronos-2 | Amazon | Apache 2.0 | sì, provato qui sotto | 120 milioni di parametri; serie collegate e covariate insieme |
| Toto 2.0 | Datadog | Apache 2.0 | non verificato | da 4 milioni a 2,5 miliardi di parametri; addestrato su metriche di osservabilità |
| TiRex-2 | NXAI | Apache 2.0 | sì, dichiarato | immagine Docker per CPU e versione ONNX |
| TimeGPT | Nixtla | pesi non scaricabili | - | solo API e SDK a pagamento |
Quindi, se devi distribuire il modello insieme al tuo software, oggi senza vincoli di licenza hai Chronos-2, Toto 2.0, TiRex-2 e TimesFM 2.5, e Timestral finché la tua azienda resta sotto la soglia.
Sulle classifiche ti consiglio prudenza. Google dichiara TimesFM-3 primo, Mistral presenta Timestral come migliore di TimesFM-3, Datadog rivendica il primo posto per Toto 2.0. Ognuno sceglie i benchmark e le metriche, e nessuna classifica ti dice quanto il modello sbaglia sui tuoi dati.
Il backtest, provato
Per saperlo fai un backtest. Nascondi al modello gli ultimi mesi dello storico, gli chiedi di prevederli e confronti la previsione con quello che è successo davvero. Poi fai la stessa prova con la previsione più banale che esiste, cioè “ogni mese come lo stesso mese dell’anno prima”. Se il modello non batte nemmeno quella, sui tuoi dati non ti serve.
L’ho fatto con Chronos-2, scelto perché è in Apache 2.0 e gira su CPU. Come dati ho usato le vendite mensili di auto in Quebec dal 1960 al 1968, 108 mesi, un dataset didattico pubblico (CSV su GitHub). Python 3.12, chronos-forecasting 2.3.2, PyTorch 2.15 solo CPU:
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
# Vendite mensili di auto in Quebec, 1960-1968 (108 mesi)
df = pd.read_csv(sys.argv[1])
df = df.rename(columns={"Month": "timestamp", "Sales": "target"})
df["timestamp"] = pd.to_datetime(df["timestamp"])
df["id"] = "auto_quebec"
MESI = 12
storico, nascosti = df.iloc[:-MESI], df.iloc[-MESI:]
# Chronos-2: vede solo lo storico, deve prevedere i 12 mesi nascosti
pipeline = BaseChronosPipeline.from_pretrained("amazon/chronos-2", device_map="cpu")
pred = pipeline.predict_df(storico, prediction_length=MESI, quantile_levels=[0.1, 0.5, 0.9],
id_column="id", timestamp_column="timestamp", target="target")
chronos = pred["predictions"].to_numpy()
# Previsione banale: ogni mese come lo stesso mese dell'anno prima
banale = storico["target"].iloc[-MESI:].to_numpy()
vero = nascosti["target"].to_numpy()
print(f"{'mese':<8}{'vero':>8}{'banale':>9}{'chronos':>9}")
for m, v, b, c in zip(nascosti["timestamp"], vero, banale, chronos):
print(f"{m:%Y-%m} {v:>8.0f}{b:>9.0f}{c:>9.0f}")
def mape(previsto):
return (abs(vero - previsto) / vero).mean() * 100
print(f"\nerrore medio (MAPE) banale: {mape(banale):.1f}% chronos: {mape(chronos):.1f}%")
Questo è l’output, intero:
Loading weights: 100%|##########| 170/170 [00:01<00:00, 164.01it/s]
mese vero banale 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
errore medio (MAPE) banale: 10.8% chronos: 6.7%
Su questa serie Chronos-2 sbaglia in media del 6,7%, la previsione banale del 10,8%. Due esecuzioni di fila danno gli stessi numeri. Sul mio PC, solo CPU, una previsione richiede circa un decimo di secondo, misurato come media di cinque chiamate dopo il primo caricamento.
Due cautele prima di trarne conclusioni. È una serie sola, un anno solo. E il dataset è pubblico e molto usato, quindi un modello addestrato su dati raccolti in rete potrebbe averlo già visto. È proprio per questo che il test che conta è quello sui tuoi dati, che nessun modello ha visto. Il codice resta uguale: cambi il CSV e le due colonne.
Da dove partire
Prendi una serie che conosci bene, per esempio le vendite mensili di una linea di prodotto degli ultimi tre anni, e rifai il backtest qui sopra. Se il modello batte la previsione banale, aggiungi una covariata che sai già che conta, come le promozioni, e guarda se l’errore scende. Se non la batte, ti fermi lì, prima di aver speso un progetto intero.
Sono convinto che quasi ogni azienda, a partire dalle piccole e medie imprese, abbia già in casa i dati giusti per usare questi modelli senza cambiare il modo in cui lavora. In bit Time Professionals mettiamo a disposizione trenta minuti di consulenza gratuita per guardare insieme i tuoi processi e capire dove l’AI, compresi questi modelli, ti porta un vantaggio concreto. Scrivi a professionals@bittime.it.
La puntata sta su while true do;. Il discorso sui criteri misurabili al posto della fiducia nello strumento è quello della puntata 14 su Uncle Bob, e su cosa controllare nel codice scritto dall’AI c’è l’articolo Zero errori, CI verde, codice dell’AI: chi l’ha davvero pensato?. Per domande o correzioni: whiletruedopodcast@bittime.it.
Fonti
- Google Research, TimesFM-3: a zero-shot foundation model for multivariate forecasting.
- Repository TimesFM su GitHub: codice Apache 2.0, pesi fino alla 2.5 Apache 2.0, backend MLX.
- TimesFM-3 su Hugging Face e il testo della TimesFM Non-Commercial License v1.0.
- TimesFM 2.5 su Hugging Face, licenza Apache 2.0.
- Google Cloud, TimesFM in BigQuery.
- Mistral AI, Timestral su GitHub, model card e licenza.
- Amazon Science, Introducing Chronos-2 e il rapporto tecnico.
- Datadog, Toto 2.0 e la collezione su Hugging Face.
- NXAI, TiRex-2 su Hugging Face.
- Nixtla, TimeGPT.
- Dataset: monthly car sales in Quebec, 1960-1968.
Fatti chiave
Articolo di Daniele Teti (bit Time Professionals), versione scritta della puntata 15 del podcast "while true do;", su TimesFM-3 di Google e sui Time Series Foundation Models per la previsione della domanda e delle vendite in azienda.
- TimesFM-3 (Google Research, 31 agosto 2026): 330 milioni di parametri, addestrato su più di mille miliardi di punti temporali, dichiarato primo fra i foundation model su GIFT-Eval, fev-bench e TIME; supporta covariate passate e future e previsioni multivariate.
- Licenza: codice Apache 2.0; pesi di TimesFM-3 sotto TimesFM Non-Commercial License v1.0, che esclude l'uso dei risultati per decisioni commerciali, consegne ai clienti e prodotti a pagamento, anche all'interno di un'azienda. Uso commerciale tramite BigQuery (termini di Google Cloud). I pesi fino a TimesFM 2.5 restano Apache 2.0.
- Alternative con pesi Apache 2.0: Chronos-2 (Amazon), Toto 2.0 (Datadog), TiRex-2 (NXAI). Timestral (Mistral AI) usa una Modified MIT con soglia di 20 milioni di dollari di fatturato mensile. TimeGPT (Nixtla) è disponibile solo via API.
- Backtest eseguito dall'autore con Chronos-2 su CPU (vendite mensili di auto in Quebec 1960-1968, ultimi 12 mesi nascosti): MAPE 6,7% contro 10,8% della previsione stagionale banale; circa 0,1 secondi per previsione. Una serie sola, dataset pubblico forse visto in addestramento: il test che conta è sui propri dati.
- Autore: Daniele Teti, bit Time Professionals. Consulenza gratuita di trenta minuti: professionals@bittime.it.
Comments