Google's AI-model TimesFM-3 voorspelt verkoop met weer en kortingen erbij

Bedrijven die de toekomst willen voorspellen, kijken meestal naar één cijferreeks: bijvoorbeeld hoeveel ijsjes ze gisteren verkochten. Maar een goede voorspelling hangt van veel meer factoren af. Denk aan het weer, geplande kortingsacties, feestdagen en de verkoop van gerelateerde producten zoals wafelhoorntjes. Google Research presenteert met TimesFM-3 een nieuw AI-model dat al die factoren tegelijk kan meenemen.

Hoe het model werkt

TimesFM-3 is gebouwd op een transformer, dezelfde soort architectuur die ook achter chatbots als ChatGPT zit. Het model groepeert telkens 32 opeenvolgende meetpunten tot één blok en herschaalt elke reeks, zodat cijfers met heel verschillende groottes — zoals omzet in euro's en temperatuur in graden — met elkaar vergeleken kunnen worden. Vervolgens analyseert het model de data in twee richtingen: langs de tijdlijn zoekt het naar patronen binnen één reeks, en dwars daarop vergelijkt het alle variabelen op een bepaald moment om verbanden te ontdekken, zoals het effect van een korting op één product op de verkoop van een ander product.

Met 330 miljoen parameters en een training op meer dan duizend miljard datapunten werkt TimesFM-3 zero-shot: het model heeft geen extra training nodig voor een nieuwe taak. Het combineert drie soorten informatie: meerdere gerelateerde variabelen tegelijk, gegevens die alleen over het verleden bekend zijn (zoals eerdere drukte in een winkel), en toekomstige gebeurtenissen die al vaststaan, zoals een geplande kortingsactie of een weersverwachting. In plaats van één vast getal geeft het model negen waarden per tijdstip, zodat ook de onzekerheid van een voorspelling zichtbaar wordt.

Alles in één keer in plaats van stap voor stap

Eerdere versies van het model voorspelden de toekomst blok voor blok, wat traag was en gevoelig voor opeenstapelende fouten: elke voorspelling bouwde voort op de vorige. TimesFM-3 vult alle toekomstige tijdstippen in één keer in. Google illustreert het verschil met het ijsjesvoorbeeld: een model dat alleen de verkoopgeschiedenis kent, herhaalt gewoon het wekelijkse patroon en ziet een geplande kortingsactie niet aankomen. TimesFM-3 leert uit het verleden hoeveel een korting de verkoop normaal gesproken stimuleert, en voorspelt daardoor terecht ongeveer 20 procent meer verkoop op kortingsdagen.

Koploper op drie testen

Op de benchmarks Gift-Eval, FEV-Bench en Time scoort TimesFM-3 het beste van alle voorgetrainde voorspelmodellen, zowel in nauwkeurigheid als in de kwaliteit van de onzekerheidsschatting. Concurrenten als Amazon's Chronos-2 en de Toto-2.0-modellen komen dichtbij, maar blijven achter zodra TimesFM-3 gebruikmaakt van alle beschikbare data. Het model is nu te vinden op GitHub en Hugging Face, en Google wil het binnenkort ook toevoegen aan zijn clouddienst BigQuery. Sinds de eerste versie van deze modelfamilie in 2024 wordt de techniek al gebruikt in de retail, financiële sector, industrie, gezondheidszorg en wetenschap.