Volgende dinsdag kan lijken op afgelopen dinsdag. Deze eenvoudige aanname is een serieuze tegenstander voor elke indrukwekkende voorspellingscurve. Als een AI moet inschatten wat er te wachten staat voor een cursusruimte, een meetreeks of de vraag naar materiaal, moet ze meer doen dan de bestaande gegevens met een vloeiende lijn doortrekken.
Mistral presenteerde Timestral op 15 oktober 2026 als een familie van tijdreeksmodellen. De aankondiging beschrijft probabilistische voorspellingen en het gebruik van extra variabelen, zowel uit het verleden als toekomstige die al bekend zijn. Benchmarks van de aanbieder zijn geen vervanging voor een vergelijking op een eigen reeks die je begrijpt.
De volgorde hoort bij de informatie
Een tijdreeks bevat waarden die aan tijdstippen zijn gekoppeld. Voor een voorspelling tellen niet alleen de getallen, maar ook de intervallen, de volgorde en wat er op dat moment bekend was. Een gebeurtenis die pas later bekend werd, mag niet ongemerkt in de eerdere voorspelling terechtkomen.
Toekomstige informatie die al bekend is, kan bijvoorbeeld een feestdag zijn die al is gepubliceerd. Een storing die achteraf is vastgesteld, hoort niet in dezelfde categorie. Wie de twee door elkaar haalt, laat de voorspelling werken met kennis die bij echt gebruik nog niet beschikbaar zou zijn geweest.
Een kunstmatige reeks en een vaste peildatum
Om te beginnen kun je een volledig verzonnen dagelijkse reeks van vier weken gebruiken. De eerste drie weken vormen het beschikbare verleden. De laatste week houd je achter voor de vergelijking. De getallen dienen hier als lesmateriaal en beschrijven geen echte bedrijfsvoering.
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)De referentieregel neemt voor elke dag de overeenkomstige waarde uit de laatst bekende week. Het voorbeeld kan met Python worden uitgevoerd zonder toegang tot een model. Het levert alleen een vergelijkingswaarde op voor deze kunstmatige gegevens; het meet Timestral niet.
Alleen een modelvoorspelling die daadwerkelijk is gegenereerd, zou er als tweede schatting naast staan. Die mag alleen het verleden gebruiken dat ervoor is vrijgegeven en extra informatie die op dat moment bekend was. Leg de peildatum uitdrukkelijk vast, zodat niemand per ongeluk de achtergehouden week als invoer meegeeft.
Meerdere tijdvensters in plaats van één gelukkige week
Eén enkel achtergehouden stuk kan bijzonder makkelijk of bijzonder ongewoon zijn. Voor een latere, zinvollere vergelijking schuif je de peildatum stap voor stap later op. Elke voorspelling ziet steeds alleen het verleden zoals het op dat moment was. Dit principe laat zien of een voordeel afhangt van één gunstige week.
Leg de maatstaf vast. De gemiddelde absolute fout behandelt afwijkingen naar hun grootte. Voor een concrete beslissing kunnen te hoge en te lage schattingen echter verschillende gevolgen hebben. Ontbrekend materiaal en ongebruikte voorraad zijn bijvoorbeeld verschillende problemen, ook als de numerieke afwijking gelijk is.
Een bandbreedte is een extra uitspraak
Probabilistische voorspellingen kunnen meerdere mogelijke verlopen of bandbreedtes beschrijven. Een gearceerd gebied moet daarom een uitgelegde betekenis hebben. Het is niet automatisch een garantie, maar ook geen loutere versiering rond een middellijn.
Controleer bij uitvoer die daadwerkelijk beschikbaar is welke kwantielen of waarschijnlijkheidsgegevens die bevat. Label elke grafiek dienovereenkomstig. Een brede bandbreedte kan voor de planning nuttiger zijn dan een schijnbaar zeker los getal, als ze onzekerheid eerlijk zichtbaar maakt.
Wat je uit het experiment kunt meenemen
Het eerste inzicht heeft nog geen modelranglijst nodig: een voorspelling moet worden beoordeeld tegen een begrijpelijke regel en zonder kennis van de toekomst. Het kleine script biedt hiervoor een onafhankelijk startpunt. Daarna kun je nagaan of een uitgebreidere aanpak extra nut oplevert voor jouw periode.
Timestral maakt zulke gespecialiseerde modellen tot interessant AI-nieuws. De praktische vraag blijft concreet: welke voorspelling is nodig, welke informatie was beschikbaar en welke fouten zijn relevant voor de beslissing? Hier verklaart een zuiver getrokken tijdsgrens meer dan een bijzonder indrukwekkende curve.
Bronnen en status
Bronnen per 25 oktober 2026. Introducing Timestral.
