Timestral คือครอบครัวโมเดลพยากรณ์อนุกรมเวลาชุดแรกของ Mistral มี 4 ขนาด ตั้งแต่ 5M ถึง 209M พารามิเตอร์ รองรับการพยากรณ์หลายตัวแปรและแสดงช่วงความไม่แน่นอนผ่าน quantiles
รุ่น 209M พารามิเตอร์ทำอันดับหนึ่งใน GIFT-Eval, TIME และ fev-bench โดยใช้ checkpoint เดียว ไม่ต้องทำ ensemble จุดเด่นอีกอย่างคือรัน inference บน CPU ได้ จึงเหมาะกับ pipeline monitoring ที่ไม่อยากพึ่ง GPU
เห็นภาพการทำงานของ Timestral
ลองนึกภาพโรงงานที่ส่งข้อมูล vibration, temperature และ pressure จากปั๊มเข้ามาพร้อมกัน Timestral มองความสัมพันธ์ของเซนเซอร์เหล่านี้ รวมถึง machine state และ production schedule ที่รู้ล่วงหน้า เพื่อทำ forecast จากข้อมูลหลายตัวแปร
ผลลัพธ์ไม่ได้มีแค่ตัวเลขเดียว แต่เป็น quantiles ที่แสดงช่วงความไม่แน่นอน ทีมจึงเห็นได้ว่าแนวโน้มข้างหน้ามีความเสี่ยงกว้างแค่ไหน และตั้ง alert หรือวางแผน maintenance ได้เหมาะกับสถานการณ์มากขึ้น
เมื่อการพยากรณ์เซนเซอร์ต้องมองมากกว่าค่าเดียว
ในโรงงาน ทีมงานต้องติดตามเซนเซอร์จากเครื่องจักรจำนวนมาก เพื่อวางแผนกำลังการผลิต จับสัญญาณอุปกรณ์เริ่มเสื่อม และเตรียมอะไหล่ให้ทันเวลา ข้อมูลเหล่านี้ยังเชื่อมกับตารางการผลิตและแผนหยุดเครื่องที่รู้ล่วงหน้า
ปัญหาคือการพยากรณ์ทีละซีรีส์จะมองแต่ประวัติของเซนเซอร์ตัวนั้น ทั้งที่ค่าการสั่น อุณหภูมิ และแรงดันของปั๊มอาจเปลี่ยนไปด้วยกัน Timestral จึงออกแบบมาให้มองหลายซีรีส์ร่วมกัน พร้อมใช้ตัวแปรที่เกี่ยวข้อง เพื่อให้ forecast สะท้อนภาพของระบบมากขึ้น
Timestral อยู่ตรงไหนในกลุ่มผลิตภัณฑ์ของ Mistral
Timestral คือครอบครัว time-series foundation models แรกของ Mistral สำหรับงานพยากรณ์ข้อมูลตามเวลาโดยเฉพาะ จุดเด่นคือเป็นโมเดลตัวเลขที่นำไปวางใน monitoring pipeline เดิมได้ จึงทำงานกับข้อมูลเซนเซอร์และ metrics ที่มีอยู่แล้ว
นอกจากนี้ยังจับคู่กับ language models ในเวิร์กโฟลว์แบบหลายโมดัลได้ เช่น ให้ Timestral ตรวจจับความผิดปกติ แล้วส่งต่อให้ agent วิเคราะห์สาเหตุจากบันทึกการซ่อม คู่มือ และข้อมูลที่เกี่ยวข้อง ทำให้ Timestral ทำหน้าที่เป็นส่วนพยากรณ์เชิงตัวเลขภายในระบบ AI ที่ใหญ่ขึ้นครับ
โมเดลเดิมต้องเรียนรู้ใหม่ตามชุดข้อมูล ขณะที่ Timestral พยายามถ่ายโอนรูปแบบจากข้อมูลหลากหลายไปยังซีรีส์ที่ไม่เคยเห็นมาก่อน ทำให้เหมาะกับงานที่มีข้อมูลเฉพาะทางหรือข้อมูลน้อย
| Factor | ARIMA / linear regression | PatchTST | Timestral |
|---|---|---|---|
| การเรียนรู้ | ฟิตกับซีรีส์เดียว | ฝึกใหม่กับแต่ละชุดข้อมูล | ฝึกล่วงหน้าบนข้อมูลหลากหลาย |
| การใช้กับข้อมูลใหม่ | อาศัยประวัติของซีรีส์นั้น | สิ่งที่เรียนรู้ไม่ถ่ายโอนไปโดเมนใหม่ | รองรับ zero-shot forecasting |
| รูปแบบข้อมูล | มักดูทีละซีรีส์ | เรียนรู้รูปแบบไม่เชิงเส้นหลายซีรีส์ | ถ่ายโอนรูปแบบข้ามซีรีส์ |
จุดเด่นจะมีความหมายแค่ไหนเมื่อเจอสถานการณ์จริง
กับปั๊มในโรงงาน Timestral มองการสั่น อุณหภูมิ และแรงดันร่วมกันได้ จึงเห็นความสัมพันธ์ของสัญญาณ แทนการพยากรณ์แต่ละตัวแยกกัน
การพยากรณ์เชิงความน่าจะเป็นแสดงช่วงความไม่แน่นอนให้ทีมเห็น ทำให้ตั้งค่าแจ้งเตือนและวางแผนบำรุงรักษาตามความเสี่ยงได้ ไม่ต้องยึดค่าคาดการณ์เดียว
สำหรับ categorical covariates สถานะเครื่องจักรอย่างกำลังทำงาน หยุดพัก หรืออยู่ระหว่างบำรุงรักษา ถูกส่งเข้าโมเดลได้โดยตรง จึงไม่ต้องฝืนแปลงสถานะเหล่านี้เป็นตัวเลข
ส่วน known-future covariates ช่วยให้โมเดลรู้ตารางการผลิต การหยุดเครื่องตามแผน และพยากรณ์อากาศล่วงหน้า เมื่อโหลดกำลังจะเพิ่ม ระบบจึงคาดการณ์การเปลี่ยนแปลงได้ แทนที่จะมองเป็นเหตุการณ์ผิดปกติ
Timestral เทียบกับโมเดลที่มาก่อนและคู่แข่งอย่างไร
Timestral มีตั้งแต่ 5M ถึง 209M parameters ทำให้เลือกใช้ตามงานได้ รุ่น 28M ยังทำได้ดีกว่า Chronos-2 ซึ่งมีขนาดใหญ่กว่าประมาณสี่เท่าบน GIFT-Eval และ TIME
| Factor | Timestral | คู่แข่ง |
|---|---|---|
| ขนาดโมเดล | 5M, 28M, 123M, 209M | Chronos-2 ใหญ่กว่า Timestral 28M ประมาณสี่เท่า |
| GIFT-Eval และ TIME | Timestral 28M ทำได้ดีกว่า Chronos-2 | Chronos-2 |
| จำนวนพารามิเตอร์ | Timestral 209M น้อยกว่า TimesFM-3 และ Falcon-2.0 | TimesFM-3 และ Falcon-2.0 |
| ความแม่นยำเทียบขนาด | ทุกรุ่นอยู่บน Pareto front | ไม่มีข้อมูลในแหล่งอ้างอิง |
จุดแข็งที่เห็นจากข้อมูล และข้อจำกัดที่ต้องอ่านให้ครบ
Timestral เด่นตรงทำผลงานสูงสุดในสาม benchmark หลัก พร้อมรองรับ probabilistic และ multivariate forecasts จึงเห็นทั้งค่าคาดการณ์และความไม่แน่นอนได้ เหมาะกับข้อมูล sensor, ระบบ monitoring และงานวางแผนที่ต้องดูหลายสัญญาณร่วมกัน
ข้อดี
- +ทำผลงานสูงสุดใน GIFT-Eval, TIME และ fev-bench
- +รองรับ covariates ทั้งอดีตและอนาคต และทำงานบน CPU ได้
ข้อเสีย
- −โมเดลขนาดเล็กแลกความแม่นยำกับความเร็ว
- −การปรับใช้เฉพาะโดเมนอาจต้อง fine-tuning ผ่าน Mistral Forge
ต้นทุนการใช้งานที่ไม่ได้วัดจากจำนวนพารามิเตอร์อย่างเดียว
Timestral มี 4 รุ่นตั้งแต่ 5M, 28M, 123M ถึง 209M parameters โดยรุ่น 5M ใช้เวลา inference 10 ms และรุ่น 209M ใช้ 140 ms บน CPU 8 threads สำหรับพยากรณ์ล่วงหน้า 1 วันจากข้อมูลย้อนหลัง 3 สัปดาห์ที่เก็บทุก 15 นาที ส่วน 28M เร็วกว่ารุ่น 209M ห้าเท่า ขณะที่ 123M มีคะแนนห่างไม่เกิน 0.2% และใช้เวลาเพียงสามในสี่ของรุ่นใหญ่สุด
ความแม่นยำจึงต้องแลกกับความเร็วและค่าใช้จ่ายตามงานจริง แต่ยังต้องมี covariates ที่รู้ล่วงหน้า เช่น ตารางผลิตหรือแผนหยุดเครื่อง เพื่อช่วยให้ forecast มีบริบท หากนำไปต่อกับ monitoring pipeline ยังต้องออกแบบการแจ้ง anomaly และส่งต่อให้ agent วิเคราะห์ root cause จาก maintenance records, shift logs และเอกสารอุปกรณ์ด้วย.
จากการพยากรณ์สู่ระบบตรวจจับและวิเคราะห์ความผิดปกติ
Timestral ไม่ได้หยุดแค่การคาดการณ์ค่าในอนาคต แต่ทำหน้าที่เป็นชั้นตัวเลขใน monitoring pipeline ที่ตรวจจับความผิดปกติจากข้อมูลเซ็นเซอร์ได้ต่อเนื่อง
เมื่อพบสัญญาณผิดปกติ เอเจนต์สามารถนำข้อมูลไปเปรียบเทียบกับข้อมูลเซ็นเซอร์ในอดีต เพื่อค้นหาความล้มเหลวที่คล้ายกัน แล้วส่งต่อให้เอเจนต์ย่อยวิเคราะห์สาเหตุ โดยใช้บริบทจากบันทึกซ่อมบำรุง กะทำงาน คู่มืออุปกรณ์ และ work orders ได้ครบขึ้น.