Il 31 agosto Google Research ha rilasciato TimesFM-3, un modello di previsione che non guarda più soltanto la serie storica. Guarda anche tutto quello che le sta intorno, e questo sposta il problema.
Il modello che guarda anche il resto Le quattro schede con cui lo abbiamo raccontato su LinkedIn. Scorri per vedere tutte le 4 pagine.
La differenza in una domanda
Fino alla versione precedente la domanda era: quanto vendo giovedì. Il modello aveva solo lo storico di quella serie e restituiva un numero per ogni passo.
Adesso la domanda diventa: quanto vendo giovedì se c’è la promozione. Cambia tutto, perché in quella riga in più c’è la parte del mondo che decide davvero il risultato.
Quattro cose che prima non erano possibili
Cosa sa leggere adesso
- Più serie che si muovono insieme, previste in un colpo solo
- Segnali noti solo nello storico, per esempio il traffico in sala
- Eventi già in calendario: promozioni, meteo, festività
- L’orizzonte intero in un passaggio, con nove livelli di incertezza
L’ultimo punto è il più pratico di tutti. Non restituisce un numero: restituisce una forbice, dal decimo al novantesimo percentile. Chi deve ordinare merce lavora con le forbici, non con i numeri singoli.
La riga che decide se potete usarlo
È quella della licenza. I pesi della versione precedente erano Apache 2.0, quindi liberamente utilizzabili. Quelli della 3.0 non sono per uso commerciale, e questo li tiene fuori dalla produzione.
Per chi vuole usarlo davvero la strada resta il servizio gestito su BigQuery. Non è un dettaglio da avvocati: è la differenza fra una prova interessante e un sistema che gira il lunedì mattina.
Il collo di bottiglia non è il modello
Sono i vostri dati. Il modello sa usare promozioni ed eventi futuri, ma solo se qualcuno li ha archiviati con la data giusta. Quasi nessuno lo ha fatto, perché finora non serviva a niente.
Chi ha tenuto traccia degli ultimi anni di promozioni, chiusure, meteo e festività parte con un vantaggio che non si recupera comprando un modello migliore. Quel vantaggio si costruisce solo aspettando, e quindi conviene cominciare adesso.
In sintesi. Il vantaggio non è di chi arriva primo al modello. È di chi ha già archiviato il contesto che il modello chiede. Se non lo state facendo, il momento per cominciare era due anni fa, e il secondo momento migliore è oggi.
Archiviare il contesto giusto è un lavoro noioso che paga per anni. Negli Ethos Lab AI si parte proprio da qui: quali dati state buttando via senza saperlo.
Questo articolo nasce da un post pubblicato su LinkedIn, dove pubblichiamo ogni settimana.
