Il prossimo martedì potrebbe somigliare al martedì scorso. Questa semplice ipotesi è un avversario serio per qualsiasi curva di previsione d'effetto. Se un'IA deve stimare che cosa attende un'aula per corsi, una serie di misurazioni o la domanda di materiali, deve fare di più che prolungare i dati esistenti con una linea morbida.
Mistral ha presentato Timestral il 15 ottobre 2026 come una famiglia di modelli per serie temporali. L'annuncio descrive previsioni probabilistiche e l'uso di variabili aggiuntive, sia passate sia future già note. I benchmark del fornitore non sostituiscono un confronto su una tua serie che comprendi.
L'ordine fa parte dell'informazione
Una serie temporale contiene valori legati a punti nel tempo. Per una previsione non contano solo i numeri, ma anche gli intervalli, l'ordine e ciò che si sapeva in quel momento. Un evento diventato noto solo in seguito non deve infilarsi inosservato nella previsione precedente.
Un'informazione futura già nota potrebbe essere, per esempio, un giorno festivo già pubblicato. Un'interruzione individuata a posteriori non appartiene alla stessa categoria. Chi mescola le due cose fa lavorare la previsione con conoscenze che nell'uso reale non sarebbero ancora state disponibili.
Una serie artificiale e un punto di taglio fisso
Per iniziare puoi usare una serie giornaliera interamente inventata che copre quattro settimane. Le prime tre settimane costituiscono il passato disponibile. L'ultima settimana la tieni da parte per il confronto. Qui i numeri servono come dati didattici e non descrivono alcuna attività reale.
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 regola di riferimento prende, per ogni giorno, il valore corrispondente dell'ultima settimana nota. L'esempio può essere eseguito con Python senza accesso a un modello. Produce soltanto un valore di confronto per questi dati artificiali; non misura Timestral.
Solo una previsione del modello effettivamente generata le si affiancherebbe come seconda stima. Può usare soltanto il passato che le è stato reso disponibile e le informazioni aggiuntive note in quel momento. Registra esplicitamente il punto di taglio, così che nessuno passi per errore come input la settimana tenuta da parte.
Diverse finestre temporali invece di una sola settimana fortunata
Un singolo tratto tenuto da parte può essere particolarmente facile o particolarmente insolito. Per un confronto successivo più significativo, sposti il punto di taglio in avanti, passo dopo passo. Ogni previsione vede sempre soltanto il passato così com'era in quel momento. Questo principio mostra se un vantaggio dipende da una singola settimana favorevole.
Stabilisci la metrica. L'errore assoluto medio tratta gli scostamenti in base alla loro entità. Per una decisione concreta, però, stime troppo alte e troppo basse possono avere conseguenze diverse. Materiale mancante e scorte inutilizzate, per esempio, sono problemi diversi, anche se lo scostamento numerico è lo stesso.
Un intervallo è un'affermazione aggiuntiva
Le previsioni probabilistiche possono descrivere diversi andamenti possibili o intervalli. Un'area ombreggiata dovrebbe quindi avere un significato spiegato. Non è automaticamente una garanzia né una semplice decorazione attorno a una linea centrale.
Con un output effettivamente disponibile, verifica quali quantili o indicazioni di probabilità contiene. Etichetta di conseguenza qualsiasi grafico. Un intervallo ampio può essere più utile per la pianificazione di un singolo valore apparentemente certo, se rende visibile l'incertezza in modo onesto.
Che cosa puoi trarre dall'esperimento
La prima intuizione non richiede ancora una classifica dei modelli: una previsione va giudicata rispetto a una regola comprensibile e senza conoscenza del futuro. Il piccolo script fornisce a questo scopo un punto di partenza indipendente. Dopo puoi verificare se un approccio più elaborato porta un beneficio aggiuntivo per il tuo periodo.
Timestral rende questi modelli specializzati una notizia interessante nel campo dell'IA. La domanda pratica resta concreta: quale previsione serve, quali informazioni erano disponibili e quali errori sono rilevanti per la decisione? Qui un confine temporale tracciato con cura spiega più di una curva particolarmente d'effetto.
Fonti e stato
Fonti aggiornate al 25 ottobre 2026. Presentazione di Timestral.
