अगला मंगलवार पिछले मंगलवार जैसा हो सकता है। यह सीधी-सादी धारणा किसी भी प्रभावशाली पूर्वानुमान वक्र के लिए एक गंभीर प्रतिद्वंद्वी है। यदि किसी एआई को यह अनुमान लगाना है कि किसी कोर्स रूम, मापों की किसी शृंखला या सामग्री की माँग के लिए आगे क्या है, तो उसे मौजूदा डेटा को एक चिकनी रेखा से आगे बढ़ाने से अधिक करना होगा।
Mistral ने 15 अक्टूबर 2026 को Timestral को टाइम सीरीज़ मॉडलों के एक परिवार के रूप में पेश किया। घोषणा में संभाव्य पूर्वानुमानों और अतिरिक्त चरों के उपयोग का वर्णन है, अतीत के भी और भविष्य के वे भी जो पहले से ज्ञात हैं। विक्रेता के बेंचमार्क आपकी अपनी किसी ऐसी शृंखला पर तुलना का विकल्प नहीं हैं जिसे आप समझते हों।
क्रम भी जानकारी का हिस्सा है
टाइम सीरीज़ में ऐसे मान होते हैं जो समय-बिंदुओं से बँधे होते हैं। पूर्वानुमान के लिए केवल संख्याएँ ही नहीं, बल्कि अंतराल, क्रम और उस समय क्या ज्ञात था, यह भी मायने रखता है। कोई घटना जो बाद में ही ज्ञात हुई, उसे बिना ध्यान दिए पहले के पूर्वानुमान में नहीं घुसना चाहिए।
पहले से ज्ञात भविष्य की जानकारी, उदाहरण के लिए, कोई सार्वजनिक अवकाश हो सकता है जो पहले ही प्रकाशित हो चुका है। बाद में पहचानी गई कोई बाधा उसी श्रेणी में नहीं आती। जो कोई इन दोनों को मिलाता है, वह पूर्वानुमान को ऐसे ज्ञान के साथ काम करने देता है जो वास्तविक उपयोग में अभी उपलब्ध नहीं होता।
एक कृत्रिम शृंखला और एक निश्चित कट-ऑफ़
शुरुआत के लिए आप चार सप्ताह की पूरी तरह काल्पनिक दैनिक शृंखला का उपयोग कर सकते हैं। पहले तीन सप्ताह उपलब्ध अतीत बनाते हैं। अंतिम सप्ताह को आप तुलना के लिए रोककर रखते हैं। यहाँ संख्याएँ शिक्षण डेटा के रूप में काम करती हैं और किसी वास्तविक संचालन का वर्णन नहीं करतीं।
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)संदर्भ नियम हर दिन के लिए अंतिम ज्ञात सप्ताह का संगत मान लेता है। उदाहरण को किसी मॉडल तक पहुँच के बिना Python से चलाया जा सकता है। यह केवल इस कृत्रिम डेटा के लिए एक तुलना मान देता है; यह Timestral को नहीं मापता।
केवल वास्तव में तैयार किया गया मॉडल पूर्वानुमान ही दूसरे अनुमान के रूप में इसके साथ खड़ा होगा। वह केवल उसके लिए जारी किए गए अतीत और उस समय ज्ञात अतिरिक्त जानकारी का ही उपयोग कर सकता है। कट-ऑफ़ को स्पष्ट रूप से दर्ज कीजिए ताकि कोई भी गलती से रोके गए सप्ताह को इनपुट के रूप में न दे दे।
एक भाग्यशाली सप्ताह के बजाय कई समय-खिड़कियाँ
रोका गया एक अकेला खंड विशेष रूप से आसान या विशेष रूप से असामान्य हो सकता है। बाद में अधिक सार्थक तुलना के लिए आप कट-ऑफ़ को कदम-दर-कदम आगे खिसकाते हैं। हर पूर्वानुमान अतीत को हमेशा केवल वैसा ही देखता है जैसा वह उस समय था। यह सिद्धांत दिखाता है कि क्या कोई बढ़त किसी एक अनुकूल सप्ताह पर निर्भर है।
मीट्रिक तय कीजिए। औसत निरपेक्ष त्रुटि विचलनों को उनके आकार के अनुसार मानती है। लेकिन किसी विशिष्ट निर्णय के लिए बहुत ऊँचे और बहुत नीचे अनुमानों के अलग-अलग परिणाम हो सकते हैं। उदाहरण के लिए, सामग्री की कमी और अप्रयुक्त स्टॉक अलग-अलग समस्याएँ हैं, भले ही संख्यात्मक विचलन समान हो।
एक दायरा एक अतिरिक्त कथन है
संभाव्य पूर्वानुमान कई संभावित प्रक्षेप-पथों या दायरों का वर्णन कर सकते हैं। इसलिए किसी छायांकित क्षेत्र का अर्थ समझाया हुआ होना चाहिए। यह न तो अपने-आप कोई गारंटी है और न ही केंद्र रेखा के चारों ओर केवल सजावट।
वास्तव में उपलब्ध आउटपुट के साथ जाँचिए कि उसमें कौन-से क्वांटाइल या संभाव्यता विवरण हैं। किसी भी चार्ट को उसी के अनुसार लेबल कीजिए। एक चौड़ा दायरा योजना के लिए किसी प्रतीत होने वाली निश्चित एकल संख्या से अधिक उपयोगी हो सकता है, यदि वह अनिश्चितता को ईमानदारी से दृश्यमान बनाता है।
इस प्रयोग से आप क्या सीख सकते हैं
पहली अंतर्दृष्टि के लिए अभी किसी मॉडल रैंकिंग की आवश्यकता नहीं है: किसी पूर्वानुमान को एक समझने योग्य नियम के विरुद्ध और भविष्य के ज्ञान के बिना आँका जाना चाहिए। छोटी स्क्रिप्ट इसके लिए एक स्वतंत्र प्रारंभिक बिंदु देती है। उसके बाद आप जाँच सकते हैं कि क्या कोई अधिक विस्तृत दृष्टिकोण आपकी अवधि के लिए अतिरिक्त लाभ लाता है।
Timestral ऐसे विशेषीकृत मॉडलों को एआई की एक दिलचस्प ख़बर बनाता है। व्यावहारिक प्रश्न ठोस बना रहता है: किस पूर्वानुमान की आवश्यकता है, कौन-सी जानकारी उपलब्ध थी और कौन-सी त्रुटियाँ निर्णय के लिए प्रासंगिक हैं? यहाँ साफ़-साफ़ खींची गई समय-सीमा किसी विशेष रूप से प्रभावशाली वक्र से अधिक समझाती है।
स्रोत और स्थिति
स्रोत 25 अक्टूबर 2026 की स्थिति के अनुसार। Introducing Timestral।
