Il modello TimesFM-3 di Google prevede serie temporali senza allenarsi

Capire quanto venderà un negozio la settimana prossima, o quanta corrente consumerà un impianto domani, è sempre stato un compito da specialisti. Servivano dati puliti, un metodo statistico costruito su misura e qualcuno capace di ritararlo ogni volta che le condizioni cambiavano.

TimesFM-3, arrivato da Google Research alla fine di agosto 2026, è un modello già addestrato che guarda una sequenza di numeri distribuiti nel tempo e ne disegna la continuazione, senza che tu debba insegnargli nulla sul tuo caso specifico.

Le dimensioni sono contenute, ovvero 330 milioni di parametri dentro un file da poco più di 330 MB. Alle spalle, però, ha un allenamento su oltre un trilione di misurazioni raccolte da fonti reali e simulate. La differenza rispetto alle versioni passate sta nello sguardo d’insieme. Prima il modello osservava un andamento alla volta, mentre adesso ne segue molti in parallelo e li mette in relazione. Puoi anche anticipargli quello che succederà, come le date dei saldi o le festività, e lui ne tiene conto nel calcolo.

Sulle classifiche pubbliche del settore è il migliore tra i sistemi generalisti. Esiste però un vincolo che conviene conoscere subito, perché cambia radicalmente chi può metterlo al lavoro, ovvero una licenza che ne vieta l’impiego commerciale.

C’è anche un secondo attrito. Su GitHub trovi il codice del progetto, cioè il programma che sa far girare il modello, e quello si scarica liberamente con una riga di terminale. I pesi, invece, cioè il file da 330 MB che contiene tutto l’addestramento, sono su Hugging Face, e senza di loro il programma è un motore senza benzina. Per ottenere quel file serve una richiesta esplicita dalla pagina del modello, quindi se contavi di provarlo nel pomeriggio devi mettere in conto un’attesa di durata imprevedibile.

Cosa fa il modello TimesFM-3

Immagina di avere un foglio con una colonna di date e una di numeri, tipo gli incassi giornalieri di un bar negli ultimi due anni. Quell’elenco è una serie storica, cioè valori messi in fila secondo il tempo.

Il metodo tradizionale prevede di dare quei dati a un programma statistico che li studia, ne ricava le regolarità e produce una stima per i giorni successivi. Funziona bene, ma ha due difetti. Va rifatto da capo per ogni foglio nuovo, e va ritarato ogni volta che cambia la realtà misurata, perché le regolarità di prima smettono di valere. L’apertura di un concorrente accanto al bar, un aumento di prezzo o un orario di chiusura diverso bastano a mandare fuori strada un modello costruito sui mesi precedenti.

TimesFM-3 lavora al contrario. Ha già studiato una quantità enorme di andamenti diversi, dal traffico dei siti alle temperature, e da tutto quel materiale ha imparato le forme ricorrenti del tempo, cioè i weekend più fiacchi, i picchi sotto Natale, le crescite lente e i rientri alla normalità dopo uno strappo.

Il paragone che rende meglio l’idea è quello con un meteorologo esperto. Non ha bisogno di rifare gli studi ogni volta che cambia città, perché riconosce le configurazioni che ha già visto altrove e le applica al posto nuovo.

Quando gli passi la tua colonna di incassi, quindi, non c’è alcuna fase di allenamento. Lui legge lo storico, riconosce il ritmo e proietta in avanti. Questo comportamento ha un nome tecnico, cioè zero-shot, e vuol dire nessuna preparazione sui tuoi dati.

Il rovescio della medaglia esiste. Un modello generalista come questo non conosce le stranezze del tuo mestiere, quindi un cambio di listino, un trasloco del negozio o una chiusura straordinaria restano fuori dal suo orizzonte. Sono cose che sai tu e che lui non ha modo di indovinare.

TimesFM-3: il salto della terza versione

Fino all’anno scorso il modello guardava una colonna sola. Se avevi incassi, numero di scontrini e temperatura esterna, dovevi trattarli come tre esercizi scollegati, anche se nella realtà si influenzano parecchio.

TimesFM-3 li tiene insieme. Analizza le colonne una accanto all’altra e impara sia come si muove ciascuna nel tempo, sia come reagiscono l’una all’altra nello stesso momento. È il tipo di legame che, in un negozio, unisce lo sconto applicato ai pezzi venduti.

Da questa capacità nascono tre modi di alimentarlo.

• Più colonne da prevedere insieme. Le stime escono tutte in una volta e tengono conto dei rapporti reciproci.
• Informazioni solo passate. Sono dati di cui conosci lo storico ma non il futuro, come il numero di persone entrate in negozio.
• Informazioni note in anticipo. Sono cose già scritte sul calendario, tra cui i saldi, le festività e le previsioni del tempo.

Sapere che tra dieci giorni parte una promozione permette al modello di alzare la stima proprio in quel punto, invece di limitarsi a ripetere la stagionalità dell’anno prima. Per ogni giorno previsto il modello non ritorna un singolo numero, ma nove valori che vanno dallo scenario pessimistico a quello ottimistico. In pratica ti dice dove ragionevolmente andrà a finire, non solo il valore che considera più probabile.

Se devi ordinare merce o pianificare turni, quella forbice è l’informazione che ti serve. Il numero centrale è una stima, mentre l’ampiezza della forchetta misura il rischio che ti stai prendendo.

TimesFM-3: quanto ci si può fidare dei punteggi

Nel settore esistono tre gare pubbliche in cui i modelli vengono messi alla prova sugli stessi dati, cioè fev-bench, TIME e GIFT-Eval. TimesFM-3 arriva primo su tutte e tre nella categoria dei modelli generalisti, e non è un risultato scontato.

Il punteggio più leggibile è quello di fev-bench, che misura di quanto un modello batte una previsione ingenua fatta copiando la settimana precedente. Più il numero è alto, meglio è.

Va aggiunta una precisazione sul metodo, perché queste classifiche premiano la costanza su decine di raccolte di dati diverse. Vincere ovunque per un soffio e vincere con distacco producono lo stesso piazzamento, quindi la posizione dice chi sbaglia meno spesso, non di quanto sbaglia meno.

Un secondo avvertimento riguarda la lettura delle colonne insieme. Il beneficio arriva solo se i tuoi dati sono legati sul serio, quindi incassi e scontrini si aiutano a vicenda, mentre incassi e una colonna casuale non producono alcun miglioramento.

Prima di fidarti dei risultati di previsione, prendi i tuoi dati storici, fingi di essere fermo a sei mesi fa, chiedi la previsione e confrontala con quello che è successo in seguito. È una verifica che chiunque può fare.

TimesFM-3: un modello che aspetta d’essere provato

Sul piano tecnico questo modello legge più andamenti insieme, accetta le informazioni che già conosci sul futuro, restituisce una forbice invece di un numero solitario e sta comodamente su un computer normale.

Per chi si occupa di dati senza essere uno specialista di statistica, poi, il valore sta tutto nel tempo risparmiato. Non devi scegliere un metodo, non devi tararlo e non devi rifare il lavoro ogni trimestre, quindi puoi concentrarti sulla domanda che ti interessa davvero. Se sei curioso, o se lo usi per studio, mettilo alla prova sui tuoi dati veri, perché è il modo migliore per capire cosa sanno fare questi strumenti oggi.