Séries temporais: cinco redes neurais que enxergam o futuro melhor que analistas

Enquanto o mundo discute com entusiasmo se o GPT-5 vai aprender a raciocinar, nos bastidores dos grandes modelos de linguagem aconteceu uma revolução silenciosa, mas caríssima. Trata-se da previsão de séries temporais, a área que define quanto pão deve chegar a uma loja amanhã ou quando as ações das gigantes de tecnologia vão cair. Por muito tempo, reinaram aqui a estatística clássica e o gradient boosting, que exigem ajuste manual para cada tarefa. Mas os tempos mudaram. Os modelos de fundação para séries temporais entraram em cena e fazem os métodos antigos parecerem uma tentativa de calcular a trajetória de um foguete com uma régua de cálculo.

O primeiro golpe sério no conservadorismo foi o Chronos, da Amazon. Os desenvolvedores abordaram o problema com ironia e elegância: decidiram que números são apenas mais uma língua. O Chronos quantiza os valores da série temporal e os transforma em tokens, depois do que uma arquitetura Transformer comum passa a prever o futuro com a mesma facilidade com que completa seus e-mails no Gmail. Parece simplificação, mas na prática o modelo demonstra precisão impressionante no modo zero-shot. Isso significa que a rede neural vê pela primeira vez na vida os dados de um depósito específico ou a cotação de uma moeda, mas entrega uma previsão mais precisa que algoritmos ajustados por semanas.

O Google não ficou de fora e lançou o TimesFM. Ao contrário dos concorrentes, a gigante das buscas alimentou seu modelo com 100 bilhões de pontos de dados reais de fontes abertas e de tendências de busca. O TimesFM usa uma arquitetura somente com decodificador, o que o torna incrivelmente rápido. Ele lida com horizontes de planejamento enormes onde redes neurais comuns começam a «alucinar» e a traçar linhas retas rumo ao infinito. A importância disso é difícil de exagerar: o Google, na prática, deu ao mercado uma ferramenta que reduz a expertise de uma equipe inteira de cientistas de dados a uma única chamada de API.

A Salesforce, por sua vez, apresentou o MOIRAI, um previsor universal que consegue trabalhar com dados de qualquer frequência. Essa era a maior dor do setor: modelos para dados horários costumam ser inúteis para relatórios mensais. O MOIRAI resolve o problema com patches flexíveis, adaptando-se ao fluxo de entrada em tempo real. Ao lado dele está o Uni2TS, também da Salesforce, que tenta criar um framework único para todas as tarefas, da classificação ao preenchimento de lacunas nos dados. Esses modelos já não exigem que as empresas tenham terabytes de histórico próprio para treinar; eles chegam «inteligentes».

Também não dá para esquecer o Lag-Llama. Como o nome indica, ele se baseia na arquitetura Llama, da Meta*, mas foi adaptado para previsão probabilística. Isso é crítico para o gerenciamento de riscos. Não basta saber que o preço do petróleo será de 80 dólares; precisamos saber a probabilidade de ele cair para 40. O Lag-Llama constrói distribuições de probabilidade com tanta facilidade que parece ter sido criado sempre para isso. É um exemplo claro de como os avanços do NLP (processamento de linguagem natural) se tornaram, de repente, a base da matemática financeira.

Por que isso importa justamente agora? Estamos saindo da era dos «modelos pequenos para cada tarefa» e entrando na era dos sistemas universais. Antes, prever a demanda por tênis e a carga das redes elétricas exigia especialistas e abordagens diferentes. Agora um único modelo pode fazer as duas coisas, e muitas vezes melhor que soluções superespecializadas. Isso reduz radicalmente a barreira de entrada para as empresas. Até uma pequena startup pode obter análises de nível Fortune 500 simplesmente conectando a biblioteca certa do Hugging Face.

O principal: a era do ajuste manual de parâmetros em modelos estatísticos está chegando ao fim. Os modelos de fundação para séries temporais são o novo padrão do setor. Resta só uma pergunta: você está pronto para confiar o planejamento do seu orçamento a uma rede neural treinada com textos da internet e gráficos do clima?

*A Meta foi classificada como organização extremista e está proibida na Rússia.