El próximo martes podría parecerse al martes pasado. Esta sencilla suposición es un rival serio para cualquier curva de previsión impresionante. Si una IA debe estimar lo que le espera a un aula de cursos, a una serie de mediciones o a la demanda de materiales, tiene que hacer algo más que prolongar los datos existentes con una línea suave.
Mistral presentó Timestral el 15 de octubre de 2026 como una familia de modelos de series temporales. El anuncio describe previsiones probabilísticas y el uso de variables adicionales, tanto pasadas como futuras ya conocidas. Los benchmarks del fabricante no sustituyen una comparación con una serie propia que entiendas.
El orden forma parte de la información
Una serie temporal contiene valores ligados a puntos en el tiempo. Para una previsión no solo cuentan las cifras, sino también los intervalos, el orden y lo que se sabía en ese momento. Un acontecimiento que solo se conoció más tarde no debe colarse inadvertidamente en la previsión anterior.
Una información futura ya conocida podría ser, por ejemplo, un día festivo ya publicado. Una incidencia identificada a posteriori no pertenece a la misma categoría. Quien mezcla ambas permite que la previsión trabaje con un conocimiento que aún no habría estado disponible en el uso real.
Una serie artificial y un corte fijo
Para empezar, puedes usar una serie diaria totalmente inventada que abarque cuatro semanas. Las tres primeras semanas forman el pasado disponible. La última semana la reservas para la comparación. Aquí las cifras sirven como datos didácticos y no describen ninguna actividad real.
wochen = [
[10, 18, 11, 12, 16, 5, 4],
[11, 19, 12, 12, 17, 6, 4],
[12, 20, 12, 13, 18, 5, 5],
[12, 21, 13, 14, 18, 6, 5],
]
vergangenheit = sum(wochen[:3], [])
ist = wochen[3]
vorwoche = vergangenheit[-7:]
mae = sum(abs(a-b) for a, b in zip(vorwoche, ist)) / len(ist)
print("Mean absolute error of the previous-week rule:", mae)La regla de referencia toma, para cada día, el valor correspondiente de la última semana conocida. El ejemplo puede ejecutarse con Python sin acceso a un modelo. Solo produce un valor de comparación para estos datos artificiales; no mide Timestral.
Solo una previsión de modelo realmente generada se situaría a su lado como segunda estimación. Solo puede usar el pasado que se le haya habilitado y la información adicional conocida en ese momento. Registra el corte de forma explícita para que nadie introduzca por accidente la semana reservada como entrada.
Varias ventanas temporales en lugar de una semana afortunada
Un único tramo reservado puede ser especialmente fácil o especialmente inusual. Para una comparación posterior más significativa, desplazas el corte hacia delante paso a paso. Cada previsión solo ve el pasado tal como estaba en ese momento. Este principio muestra si una ventaja depende de una sola semana favorable.
Fija la métrica. El error absoluto medio trata las desviaciones según su magnitud. Sin embargo, para una decisión concreta, las estimaciones demasiado altas y demasiado bajas pueden tener consecuencias distintas. La falta de material y las existencias sin usar, por ejemplo, son problemas diferentes, aunque la desviación numérica sea la misma.
Un rango es una afirmación adicional
Las previsiones probabilísticas pueden describir varias trayectorias o rangos posibles. Por eso, un área sombreada debería tener un significado explicado. No es automáticamente una garantía ni un mero adorno alrededor de una línea central.
Con una salida realmente disponible, comprueba qué cuantiles o datos de probabilidad contiene. Etiqueta cualquier gráfico en consecuencia. Un rango amplio puede ser más útil para planificar que una cifra única aparentemente segura si hace visible la incertidumbre con honestidad.
Lo que puedes sacar del experimento
La primera conclusión aún no necesita una clasificación de modelos: una previsión debe juzgarse frente a una regla comprensible y sin conocimiento del futuro. El pequeño script ofrece para ello un punto de partida independiente. Después puedes comprobar si un enfoque más elaborado aporta un beneficio adicional para tu periodo.
Timestral convierte este tipo de modelos especializados en una noticia interesante del mundo de la IA. La pregunta práctica sigue siendo concreta: ¿qué previsión se necesita, qué información estaba disponible y qué errores son relevantes para la decisión? Aquí, un límite temporal trazado con limpieza explica más que una curva especialmente impresionante.
Fuentes y estado
Fuentes a fecha de 25 de octubre de 2026. Presentación de Timestral.
