آیوش جین و راجات سن، دانشمندان گوگل ریسرچ، روز ۳۱ اوت ۲۰۲۶ در وبلاگ پژوهشی گوگل نوشتند تایمزاف‌ام ۳ را معرفی می‌کنند. از ۲۰۲۴ که نسل اول TimesFM آمد، مدل‌های بنیادین سری زمانی در خرده‌فروشی، مالی، مانیتورینگ، تولید، سلامت و علوم طبیعی راه پیدا کرده‌اند. تا تایمزاف‌ام ۲٫۵ که سپتامبر ۲۰۲۵ آمد، همه چیز تک‌متغیره بود: فقط تاریخچه همان یک سری. دنیای واقعی این‌طور کار نمی‌کند.
مثال خود گوگل روشن است. فروش بستنی یک فروشگاه زنجیره‌ای را در نظر بگیرید. فروش گذشته به‌تنهایی داستان را تمام نمی‌کند. فروش مخروط و سیروپ، تردد قبلی فروشگاه، و رویدادهای معلوم آینده مثل هوا، تخفیف و تعطیلات هم باید در پیش‌بینی بنشینند. تایمزاف‌ام ۳ برای همین ساخته شده است.
تایمزاف‌ام ۳ چه چیزی را بدون آموزش دوباره پیش‌بینی می‌کند؟
این نسل به‌صورت بومی برای پیش‌بینی چندمتغیره ازپیش‌آموزش دیده است. ۳۳۰ میلیون پارامتر دارد و روی پیکره واقعی و مصنوعی با بیش از یک تریلیون نقطه زمانی تربیت شده. کارایی و تعمیم بدون‌نمونه نسل‌های قبل مانده، اما سناریوهای چندسری پیچیده را بدون تنظیم اختصاصی هر وظیفه پوشش می‌دهد. چند سری هم‌تغییر را با هم پیش‌بینی می‌کند و وابستگی بین‌شان دقت را بالا می‌برد.
مدل از پایه این‌ها را پشتیبانی می‌کند:
- چند هدف: چند سری مرتبط را همزمان؛ مثلاً چند برند بستنی. هم نقطه و هم چندک برای همه هدف‌ها.
- متغیر کمکی گذشته: چیزی که فقط در تاریخچه معلوم است؛ مثل تردد قبلی.
- متغیر پویای گذشته‌آینده: رویداد معلوم آینده مثل کمپین تخفیف یا پیش‌بینی هوا.
معماری: توجه متناوب و یک عبور جلو
پایه همان ترنسفورمر فقط‌رمزگشا است. نقاط پیوسته در قطعه ۳۲ تایی گروه‌بندی می‌شوند. نرمال‌سازی هر سری شبیه تایمزاف‌ام ۲٫۵ است تا مقیاس‌های خیلی متفاوت خراب نشوند.
برای هدف و متغیر گذشته، توکن از همان یک قطعه ساخته می‌شود. برای متغیر گذشته‌آینده، مدل «نگاه به جلو» دارد: قطعه جاری را با قطعه‌های آینده می‌چسباند تا سیگنال معلوم بعدی را ببیند. بعد از بلوک باقیمانده ورودی، پشته ترنسفورمر مثل شبکه دوبعدی کار می‌کند.
اول، توجه علّی زمانی: توکن‌ها افقی در زمان نگاه می‌کنند و فقط به گذشته همان سری. دوم، توجه کامل بین سری‌ها: در هر لحظه به بقیه سری‌ها نگاه می‌کنند تا همبستگی پیچیده را یاد بگیرند؛ مثلاً تخفیف یک کالا فروش دیگری را چطور جابه‌جا می‌کند. این دو توجه چند لایه یکی‌درمیان تکرار می‌شوند.
نسل‌های قبل پیش‌بینی را قطعه به قطعه می‌ساختند؛ تأخیر، خطای تجمعی و هزینه بیشتر. تایمزاف‌ام ۳ با پوشش قطعه پیوسته کل افق را در یک عبور جلو می‌سازد. توکن‌های پوشیده افق کنار بافت مشاهده‌شده می‌نشینند. هدف و متغیر گذشته در افق پوشیده‌اند چون آینده‌شان معلوم نیست؛ متغیر گذشته‌آینده پیدا می‌ماند. مدل هر گام افق را با ۹ چندک از صدک ۱۰ تا ۹۰ می‌دهد؛ یعنی تصویر احتمالاتی از عدم‌قطعیت، نه فقط یک عدد.
مثال بستنی و رتبه بنچمارک‌ها
برگردیم به برنامه تخفیف ماه بعد. مدل تک‌متغیره فقط الگوی هفتگی فروش را جلو می‌برد و از تخفیف‌های روزهای خاص بی‌خبر است. حالت چندمتغیره برنامه تخفیف را به‌عنوان متغیر گذشته‌آینده می‌گیرد، رابطه تخفیف و جهش فروش را از تاریخچه یاد می‌گیرد و روی روزهای تخفیف آینده اعمال می‌کند. نتیجه، پیش‌بینی جهش حدود ۲۰ درصد فروش در هر روز تخفیف است. روی نمودار پست گوگل، بلوک‌های کهربایی روزهای تخفیف را نشان می‌دهند و خط آبی به هر کدام واکنش می‌دهد؛ خط قرمز تک‌متغیره نه. در مقیاس یک ماه، برآورد درآمد دقیق‌تر می‌شود.
ارزیابی روی سه بنچمارک عمومی بوده: GIFT-Eval، FEV-Bench و TIME. در هر سه، تایمزاف‌ام ۳ بین مدل‌های بنیادین ازپیش‌آموزش‌دیده، هم در پیش‌بینی نقطه‌ای و هم احتمالاتی، رتبه اول میانگین را گرفته. مقایسه با Chronos-2، خانواده Toto 2.0 و تایمزاف‌ام ۲٫۵ بوده. حتی در حالت تک‌متغیره، بدون متغیر کمکی و اطلاعات بین‌سری، مدل با رقبا برابر می‌شود یا جلو می‌زند. حالت کامل چندمتغیره یک جهش دیگر می‌سازد.
وزن الان روی گیت‌هاب و هاگینگ‌فیس است. اتصال بیگ‌کوئری ظرف هفته‌های آینده می‌آید. تا آن موقع می‌توانید تایمزاف‌ام ۲٫۵ را برای کار تک‌متغیره با دستور AI.FORECAST در بیگ‌کوئری امتحان کنید؛ گوگل می‌گوید تخصص یادگیری ماشین لازم نیست. پروژه کار مشترک با ییچن ژو، پتروس مول، ابهیمانیو داس و سامت اویماک است.
اگر با داده فروش، موجودی یا مصرف انرژی کار می‌کنید، این مدل دقیقاً همان جایی را هدف گرفته که اکسل و آریما معمولاً کم می‌آورند: چند سری به‌هم‌چسبیده و رویداد معلوم آینده. آیا در کار خودتان پیش‌بینی را هنوز تک‌متغیره می‌گیرید؟ تجربه یا سؤال‌تان را در نظرها بنویسید.
اگر بیگ‌کوئری یا هاگینگ‌فیس در دسترس‌تان باشد، اول سراغ کدام سناریو می‌روید: فروش، انرژی، یا مانیتورینگ سامانه؟
