Mistral تطلق Timestral: نموذج بـ 209M معامل يتصدر ثلاثة اختبارات معيارية

أطلقت Mistral AI نموذج Timestral، وهو أول سلسلة نماذج تأسيسية لديها للتنبؤ بالسلاسل الزمنية. تضم النسخة الكبرى 209M معامل فقط، لكنها تحتل، وفق نتائج Mistral، المرتبة الأولى في ثلاثة من أبرز الاختبارات المعيارية العامة: GIFT-Eval وTIME وfev-bench. وكان صاحب الرقم القياسي السابق أكبر منها بنحو الثلث. ومن بين النماذج المدرَّبة مسبقًا بأسلوب zero-shot، يتصدر Timestral جميع المقاييس الخمسة، وقد تحققت هذه النتائج بنقطة تدريب (checkpoint) واحدة ودون استخدام الدمج بين عدة نماذج (ensembling).

لماذا نحتاج إلى نماذج تأسيسية للسلاسل الزمنية

توجد السلاسل الزمنية في كل مؤسسة: قراءات الحساسات، ومقاييس المراقبة (observability)، والتدفقات المالية، وأرصدة المخازن. وعليها يُبنى تخطيط القدرات والطاقة وسلاسل الإمداد وصيانة المعدات. أما نماذج ARIMA الكلاسيكية والانحدار الخطي فتتعلم من تاريخ سلسلة واحدة ولا تعرف شيئًا عن السلاسل المجاورة. وتلتقط الشبكات العصبية مثل PatchTST الأنماط غير الخطية بين السلاسل المترابطة، لكنها تُدرَّب عادةً من الصفر لكل مجموعة بيانات، ولا تنتقل المعرفة المتراكمة فيها إلى مجالات جديدة.

يعتمد Timestral نهجًا مألوفًا من النماذج اللغوية: تدريب مسبق على مدونة كبيرة متنوعة، ثم يتنبأ النموذج ببيانات لم يرها من قبل. وهذا مفيد حيث يقل التاريخ المتاح. وتحدد Mistral ثلاثة مكونات للوصفة: التدريب المسبق على بيانات اصطناعية، والانتباه (attention) الذي يراعي المتغيرات المصاحبة، والتدريب على سياق طويل.

الأحجام والسرعة والمقارنة مع المنافسين

تتكون العائلة من أربعة نماذج بمعمارية مشتركة ووصفة تدريب واحدة. وبحسب Mistral، يقع كل نموذج منها على حدّ باريتو (Pareto) في المفاضلة بين الدقة والحجم، أي أنه لا يوجد نموذج عام أفضل منه في فئة حجمه.

• الأحجام: 5M و28M و123M و209M معامل.
• النموذج ذو 209M يتفوق على TimesFM-3 وFalcon-2.0 بعدد معاملات أقل.
• النموذج ذو 28M يتقدم على Chronos-2، الذي يكبره بنحو أربعة أضعاف، في GIFT-Eval وTIME.
• النموذج ذو 123M يتأخر عن نموذج 209M بنسبة 0,2% فقط في الدرجة، لكنه يعمل بثلاثة أرباع زمن الاستجابة.
• النموذج ذو 28M أسرع بخمس مرات من النموذج الأكبر.
• حجم العينة في الجداول: 83 سجلًا قابلًا للمقارنة في GIFT-Eval، و35 في TIME، و37 في fev-bench.

لا حاجة إلى GPU للاستدلال. فعلى معالج CPU خادمي قياسي بـ 8 خيوط، يستغرق التنبؤ ليوم كامل اعتمادًا على ثلاثة أسابيع من البيانات بفواصل 15 دقيقة 10 مللي ثانية للنموذج ذي 5M، و140 مللي ثانية للنموذج ذي 209M. وقد أُرسلت النتائج إلى لوحتي الصدارة GIFT-Eval وTIME.

ما الذي يستطيع فعله عمليًا

تستعرض Mistral إمكانات النموذج عبر مثال منشأة صناعية تضم آلاف الحساسات. يتنبأ النموذج بالسلاسل المترابطة معًا: فاهتزاز المضخة ودرجة حرارتها وضغطها يعتمد بعضها على بعض، ويستفيد Timestral من هذه الروابط بدلًا من التعامل مع كل حساس على حدة. والتنبؤ احتمالي، أي أن النموذج يعطي مجموعة من الكوانتايلات (quantiles). وبذلك يرى الفريق مدى عدم اليقين، ويضبط عتبات الإنذار بناءً عليه، ويخطط للصيانة مع مراعاة المخاطر بدلًا من الاعتماد على رقم واحد. ويقبل النموذج متغيرات مصاحبة معروفة في الماضي فقط، وأخرى معروفة مسبقًا للمستقبل، مثل جدول الإنتاج. كما يدعم المتغيرات المصاحبة الفئوية.

لمن وكيف يُستخدم

بالنسبة إلى الفرق التي تعتمد في تنبؤاتها على مجموعة نصوص برمجية مبنية على ARIMA أو شبكات عصبية مكتوبة داخليًا، يوفّر Timestral خط أساس جاهزًا دون تدريب: يكفي تمرير التاريخ للحصول على الكوانتايلات. وعدم اشتراط GPU يعني إمكانية تشغيل النموذج بجوار البيانات على خوادم عادية، والاختيار عند وجود آلاف السلاسل بين نموذج 28M طلبًا للسرعة ونموذج 209M طلبًا للدقة. وللمجالات المتخصصة تقدّم Mistral الضبط الدقيق عبر Forge. وقبل اعتماد النموذج، يُستحسن تشغيله على بيانات المؤسسة التاريخية ومقارنته بالحل الحالي: فالاختبارات المعيارية العامة تعكس المستوى العام، لكنها لا تضمن النتيجة على حساسات بعينها أو سلاسل مالية بعينها.