Mardi prochain pourrait ressembler à mardi dernier. Cette hypothèse toute simple est un adversaire sérieux pour toute courbe de prévision impressionnante. Si une IA doit estimer ce qui attend une salle de cours, une série de mesures ou la demande de matériel, elle doit faire plus que prolonger les données existantes par une ligne lisse.
Mistral a présenté Timestral le 15 octobre 2026 comme une famille de modèles de séries temporelles. L'annonce décrit des prévisions probabilistes et l'utilisation de variables supplémentaires, aussi bien passées que futures déjà connues. Les benchmarks des fournisseurs ne remplacent pas une comparaison sur une série à vous, que vous comprenez.
L'ordre fait partie de l'information
Une série temporelle contient des valeurs liées à des points dans le temps. Pour une prévision, ce ne sont pas seulement les nombres qui comptent, mais aussi les intervalles, l'ordre et ce qui était connu à ce moment-là. Un événement qui n'a été connu que plus tard ne doit pas se glisser inaperçu dans la prévision antérieure.
Une information future déjà connue pourrait être, par exemple, un jour férié déjà publié. Une perturbation identifiée après coup n'appartient pas à la même catégorie. Quiconque mélange les deux laisse la prévision travailler avec des connaissances qui n'auraient pas encore été disponibles en utilisation réelle.
Une série artificielle et une date limite fixe
Pour commencer, vous pouvez utiliser une série quotidienne entièrement inventée couvrant quatre semaines. Les trois premières semaines constituent le passé disponible. Vous réservez la dernière semaine pour la comparaison. Les nombres servent ici de données pédagogiques et ne décrivent aucune activité réelle.
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 règle de référence reprend, pour chaque jour, la valeur correspondante de la dernière semaine connue. L'exemple peut être exécuté avec Python sans accès à un modèle. Il ne produit qu'une valeur de comparaison pour ces données artificielles ; il ne mesure pas Timestral.
Seule une prévision de modèle réellement générée viendrait s'y ajouter comme seconde estimation. Elle ne peut utiliser que le passé qui lui a été ouvert et les informations supplémentaires connues à ce moment-là. Consignez explicitement la date limite afin que personne ne transmette accidentellement la semaine réservée comme entrée.
Plusieurs fenêtres temporelles au lieu d'une seule semaine chanceuse
Une seule section réservée peut être particulièrement facile ou particulièrement inhabituelle. Pour une comparaison ultérieure plus pertinente, vous décalez la date limite plus tard, pas à pas. Chaque prévision ne voit jamais que le passé tel qu'il était à ce moment-là. Ce principe montre si un avantage dépend d'une seule semaine favorable.
Fixez la métrique. L'erreur absolue moyenne traite les écarts selon leur ampleur. Pour une décision concrète, cependant, des estimations trop élevées et trop basses peuvent avoir des conséquences différentes. Un manque de matériel et un stock inutilisé, par exemple, sont des problèmes différents, même si l'écart numérique est le même.
Une fourchette est une affirmation supplémentaire
Les prévisions probabilistes peuvent décrire plusieurs trajectoires ou fourchettes possibles. Une zone ombrée doit donc avoir une signification expliquée. Elle n'est ni automatiquement une garantie ni une simple décoration autour d'une ligne centrale.
Avec une sortie réellement disponible, vérifiez quels quantiles ou indications de probabilité elle contient. Légendez tout graphique en conséquence. Une fourchette large peut être plus utile pour la planification qu'un chiffre unique apparemment certain, si elle rend honnêtement l'incertitude visible.
Ce que vous pouvez retenir de l'expérience
Le premier enseignement ne nécessite pas encore de classement de modèles : une prévision doit être jugée par rapport à une règle compréhensible et sans connaissance du futur. Le petit script fournit pour cela un point de départ indépendant. Ensuite, vous pouvez vérifier si une approche plus élaborée apporte un bénéfice supplémentaire pour votre période.
Timestral fait de ces modèles spécialisés une actualité intéressante dans le domaine de l'IA. La question pratique reste concrète : quelle prévision est nécessaire, quelles informations étaient disponibles et quelles erreurs sont pertinentes pour la décision ? Ici, une limite temporelle nettement tracée en dit plus qu'une courbe particulièrement impressionnante.
Sources et état
Sources à jour au 25 octobre 2026. Introducing Timestral.
