Mistralが時系列基盤モデルTimestralを公開

Timestralは、企業がセンサーテレメトリから可観測性指標まで時系列データに依存して容量計画やエネルギー、サプライチェーン、リスク、保守の意思決定を行う中で登場した。ARIMAや線形回帰といった古典的手法は単一系列の履歴から学び、PatchTSTなどの深層学習モデルは通常データセットごとにゼロから学習するため、学んだことが新しい領域に引き継がれない。時系列基盤モデルは大規模で多様なコーパスで事前学習し、系列間でパターンを転移させることで、データが乏しい場面でもゼロショット予測を可能にしようとする。

Mistralの技術的アプローチは合成データによる事前学習、共変量を考慮した注意機構、長文脈学習を組み合わせる。学習データの大半は合成データで、トレンドや季節性、多様なノイズを捉えるよう生成し、非線形依存を持つ多変量系列の構築に用いた。モデルは過去のみの共変量と既知の将来共変量（生産計画や天気予報など）に対応し、21分位の確率予測を出力するため、チームは単一の数値ではなく不確実性を把握できる。分離型ホライズン予測手法は全履歴を系列に保ちながら学習済みの予測トークンが読み取るため、観測値が目標と文脈の両方を担う。

この発表は精度とモデルサイズのパレートフロント上にTimestralを位置づける。Mistralによれば、各サイズで公開モデルに予測性能で劣るものはない。28Mモデルは約4倍大きいChronos-2をGIFT-EvalとTIMEで上回り、209Mモデルはより少ないパラメータでTimesFM-3とFalcon-2.0を上回る。ベンチマークにとどまらず、MistralはMistral Forge経由で独自データのファインチューニングや顧客ハードウェア上での導入（エアギャップ環境を含む）を提供する。予測を自社の変化するデータに適応させる必要のある組織を狙う姿勢の表れだ。