Timestral : Mistral sort des modèles de prévision qui tournent sans GPU
Le 15 octobre, Mistral a publié Timestral, une famille de modèles qui prévoient des séries chiffrées sur un simple processeur. Ventes, énergie, charge : ce qu'une PME peut en attendre.
On parle beaucoup d'IA qui écrit. Mistral vient de publier une IA qui prévoit des chiffres. Le 15 octobre, l'entreprise française a présenté Timestral, sa première famille de modèles de prévision de séries temporelles : consommation, volumes, charge, flux. Leur particularité est de tourner sur un processeur ordinaire, sans carte graphique. Pour une PME, c'est un sujet plus concret qu'il n'y paraît, à condition de bien comprendre ce que ces modèles font et ne font pas.
Ce que Mistral a publié
Selon l'annonce de Mistral, Timestral se décline en quatre tailles, de 5 millions à 209 millions de paramètres. C'est minuscule à côté des grands modèles de langage, et c'est voulu : ces modèles sont faits pour produire des prévisions rapidement, à grande échelle, sur du matériel courant. Mistral indique qu'une prévision à un jour, à partir de trois semaines d'historique au pas de quinze minutes, prend une fraction de seconde sur un serveur sans GPU.
Quelques caractéristiques utiles à connaître :
- des variables externes peuvent être prises en compte, y compris celles qu'on connaît à l'avance : calendrier, prévisions météo, plannings de production ;
- des prévisions avec leur incertitude : le modèle ne donne pas un seul chiffre, mais une fourchette, ce qui permet de fixer des seuils d'alerte ;
- un déploiement possible chez soi : sur site, dans un cloud privé, voire sur un réseau isolé ;
- les poids sont téléchargeables sur GitHub et Hugging Face.
Mistral cite comme usages la maintenance prédictive à partir de capteurs industriels, la planification de capacité, l'énergie, les chaînes d'approvisionnement, la gestion des risques et la finance, y compris la trésorerie.
Ce qu'il faut lire entre les lignes
Des résultats annoncés, pas encore vérifiés
Mistral affirme que son plus grand modèle arrive en tête de trois bancs d'essai publics de prévision. Les chiffres sont fournis par Mistral lui-même, et le rapport technique complet n'était pas encore publié au moment de l'annonce. Plusieurs analyses, dont celle de Let's Data Science, soulignent que les écarts avec les concurrents sont faibles et qu'un classement sur des jeux de données publics ne garantit rien sur vos propres données, avec leurs promotions, leurs jours fériés et leurs ruptures.
Une licence ouverte, mais pas pour tout le monde
Le code est publié sous licence Apache 2.0, mais les poids des modèles sont sous une licence « MIT modifiée ». Selon Let's Data Science, cette licence exclut les très grandes entreprises au-delà d'un seuil de chiffre d'affaires, qui doivent alors négocier une licence commerciale avec Mistral. Pour une PME, ce seuil n'est pas un obstacle, mais il faut le vérifier avant tout usage, et le faire vérifier par votre prestataire.
Ce que ça peut changer pour une PME
La prévision n'est pas nouvelle : les tableurs, les logiciels de gestion et les statisticiens en font depuis longtemps. Ce qui change, c'est qu'un modèle pré-entraîné peut donner une prévision correcte sans être réglé série par série, et sur du matériel modeste. Concrètement, cela ouvre des usages comme :
- prévoir les ventes ou les commandes par produit, pour ajuster les achats et les stocks ;
- anticiper la charge d'un atelier ou d'un service client, pour organiser les plannings ;
- surveiller une consommation d'énergie et repérer une dérive ;
- détecter une anomalie sur une machine à partir de ses mesures, avant la panne ;
- projeter la trésorerie à quelques semaines.
Et parce que ces modèles tournent sur un processeur ordinaire, ils peuvent s'exécuter sur un serveur de l'entreprise, au plus près des données, sans abonnement à un service de calcul et sans qu'aucune donnée ne parte chez un fournisseur d'IA.
Comment tester sans se tromper
- Commencez par vos données, pas par le modèle. Une prévision ne vaut que par l'historique qu'on lui donne. Deux ou trois ans de ventes propres, au même format, valent mieux que dix ans dispersés dans des tableurs.
- Faites un essai sur le passé. On cache les derniers mois de votre historique, on demande au modèle de les prévoir, et on compare avec ce qui s'est vraiment passé. Et on compare aussi avec une méthode simple, comme « le même mois l'an dernier ». Si le modèle ne fait pas mieux, il n'a pas sa place.
- Branchez la prévision là où la décision se prend. Une prévision dans un fichier à part ne sert à rien. Elle doit apparaître dans votre logiciel de gestion, au moment de passer commande ou de faire le planning.
- Gardez l'humain dans la boucle. Le modèle propose une fourchette, la personne qui connaît le terrain décide.
C'est le type de brique que nous intégrons dans un logiciel métier, ou sur un serveur d'IA locale installé chez vous. Après le grand modèle Mistral Large 4, Timestral montre aussi que l'IA utile à une PME n'est pas toujours la plus grosse. Si vous avez un historique de chiffres et une décision à mieux préparer, parlons-en lors d'un rendez-vous de 30 minutes.