Mistral lanceert AI die de toekomst van bedrijven moet voorspellen

Het Franse AI-bedrijf Mistral AI heeft Timestral gelanceerd. Deze nieuwe familie AI-modellen voorspelt ontwikkelingen op basis van historische gegevens, bijvoorbeeld het energieverbruik van bedrijven, de vraag naar producten of veranderingen in industriële machines. Het grootste model telt slechts 209 miljoen parameters en presteert volgens Mistral beter dan aanzienlijk grotere concurrenten.

De aankondiging van Timestral markeert een andere richting voor het Franse bedrijf. Waar bekende AI-toepassingen vooral teksten schrijven, afbeeldingen begrijpen of programmeercode produceren, richt Timestral zich op het voorspellen van numerieke gegevens. Bovendien kunnen de modellen zonder gespecialiseerde grafische processors (GPU's) draaien.

Timestral behoort tot een categorie AI-systemen die onderzoekers time-series foundation models noemen. Deze modellen analyseren tijdreeksen: opeenvolgende metingen die samen laten zien hoe iets zich ontwikkelt.

Denk aan de elektriciteitsvraag per kwartier, de temperatuur van een industriële machine of de dagelijkse omzet van een winkel. Een AI-model kan zulke gegevens gebruiken om patronen te herkennen en toekomstige waarden te voorspellen.

Mistral ontwikkelde Timestral voor toepassingen waarin meerdere gegevensbronnen elkaar beïnvloeden.

Een fabriek kan bijvoorbeeld duizenden sensoren gebruiken om machines te controleren. Een stijging van de temperatuur hoeft op zichzelf geen probleem te zijn. Maar wanneer tegelijkertijd de druk verandert en trillingen toenemen, kan dat wijzen op slijtage of een naderend defect.

Timestral kan deze meetgegevens gezamenlijk analyseren. Het model houdt bovendien rekening met informatie die al over de toekomst bekend is, zoals geplande onderhoudsbeurten, productieschema's of weersverwachtingen.

Dat laatste maakt een belangrijk verschil. Een machine die morgen extra hard moet werken, zal waarschijnlijk meer warmte produceren. Met kennis van het productieschema kan het model die stijging meenemen in zijn voorspelling.

Timestral levert ook geen enkele, absolute voorspelling. Het systeem berekent 21 zogenoemde kwantielen, waarmee gebruikers inzicht krijgen in de onzekerheid rond de verwachte uitkomst. Bedrijven kunnen daardoor niet alleen zien wat waarschijnlijk gebeurt, maar ook rekening houden met gunstigere en ongunstigere scenario's.

Mistral brengt Timestral uit in vier varianten met 5 miljoen, 28 miljoen, 123 miljoen en 209 miljoen parameters.

Die aantallen zijn bescheiden vergeleken met veel moderne taalmodellen. Het aantal parameters zegt overigens niet rechtstreeks hoe goed een model presteert. De architectuur, trainingsgegevens en specifieke taak spelen eveneens een belangrijke rol.

Volgens Mistral staat de grootste Timestral-variant bovenaan bij drie publieke benchmarks voor tijdreeksvoorspellingen: GIFT-Eval, TIME en fev-bench. Het bedrijf vergelijkt daarbij vooraf getrainde modellen die zonder aanvullende training voorspellingen maken op nieuwe datasets. Dit heet zero-shot forecasting.

De resultaten vallen vooral op door de verhouding tussen modelgrootte en nauwkeurigheid.

Zo verslaat Timestral met 28 miljoen parameters volgens Mistral het ongeveer vier keer grotere Chronos-2 op twee benchmarks. De variant met 209 miljoen parameters haalt betere scores dan onder meer TimesFM-3 en Falcon-2.0.

Het gaat om door Mistral gepresenteerde benchmarkresultaten. De cijfers tonen niet automatisch aan dat Timestral in iedere praktijksituatie de beste keuze is. De prestaties kunnen verschillen per dataset, sector en voorspellingsperiode. Een uitgebreid technisch onderzoeksrapport moet nog verschijnen.

Ook de snelheid is opvallend. Op een standaard serverprocessor met acht threads kan het kleinste Timestral-model in ongeveer 10 milliseconden een dag vooruit voorspellen, op basis van drie weken aan kwartiermetingen. De grootste variant heeft voor dezelfde taak ongeveer 140 milliseconden nodig.

Voor organisaties die duizenden voorspellingen per dag uitvoeren, kan die efficiëntie belangrijk zijn. Zij hoeven niet voor iedere voorspelling dure GPU-capaciteit in te zetten.

Een ander opvallend onderdeel van Timestral is de manier waarop Mistral de modellen heeft ontwikkeld.

Het bedrijf gebruikte voor het grootste deel van de eerste trainingsfase synthetische gegevens. Dit zijn kunstmatig gegenereerde tijdreeksen met patronen zoals seizoensinvloeden, trends en uiteenlopende vormen van ruis.

Vervolgens combineerde Mistral verschillende reeksen om complexere relaties tussen gegevens na te bootsen. In een tweede trainingsfase gebruikte het bedrijf zowel echte als synthetische data.

Deze aanpak moet ervoor zorgen dat Timestral algemene patronen leert herkennen, in plaats van uitsluitend de eigenschappen van één specifieke dataset.

Dat is relevant voor organisaties die weinig historische gegevens hebben. Een traditioneel voorspellingsmodel moet vaak eerst op de beschikbare bedrijfsdata worden afgestemd. Timestral kan direct voorspellingen maken op gegevens die het tijdens de training niet eerder heeft gezien.

Bedrijven die betere resultaten op hun eigen data willen behalen, kunnen het model vervolgens verder trainen via Mistral Forge.

Mistral heeft de broncode van Timestral op GitHub gepubliceerd. Ontwikkelaars kunnen de modellen downloaden en binnen hun eigen toepassingen gebruiken.

De modelgewichten zijn beschikbaar via Hugging Face. Mistral verspreidt deze onder een aangepaste MIT-licentie. De softwarecode valt onder de Apache 2.0-licentie.

De modellen kunnen maximaal 32.768 historische tijdstappen als context verwerken. Organisaties kunnen ze bovendien op hun eigen infrastructuur inzetten, waaronder afgesloten omgevingen zonder internetverbinding.

Mistral ziet ook mogelijkheden om Timestral met taalmodellen en AI-agents te combineren.

In een industriële omgeving zou Timestral bijvoorbeeld afwijkingen in sensorgegevens kunnen signaleren. Een AI-agent kan daarna onderhoudsrapporten, handleidingen en eerdere storingen analyseren om een mogelijke oorzaak te onderzoeken.

Een onderhoudsmanager ontvangt dan niet alleen een waarschuwing, maar mogelijk ook een onderbouwd advies over vervolgstappen. Mistral beschrijft dit als een mogelijke toepassing, niet als een volledig kant-en-klaar systeem.

Met Timestral laat Mistral zien dat het zich niet uitsluitend op algemene taalmodellen en chatbots richt. Het bedrijf ontwikkelt steeds meer gespecialiseerde AI-technologie voor organisaties die grote hoeveelheden data verwerken.

Eerder deze maand introduceerde Mistral ook Large 4, een omvangrijker model voor onder meer tekstverwerking en complexe taken. AI Wereld schreef over de publieke preview van Mistral Large 4 en de plannen om de modelgewichten beschikbaar te maken.

De twee introducties bedienen verschillende behoeften. Large 4 richt zich op taken waarbij AI informatie moet begrijpen of genereren. Timestral is ontworpen om numerieke ontwikkelingen te voorspellen.

Die verbreding past bij de ambitie van Mistral om een grotere rol te spelen in zakelijke AI-toepassingen. Het bedrijf probeert ook internationaal een sterkere positie te veroveren. De prestaties van Mistral Large 4 tonen hoe de Franse ontwikkelaar zich tegenover concurrenten uit de Verenigde Staten en China positioneert.

Timestral opent daarbij een andere markt. Niet ieder bedrijf heeft behoefte aan een steeds grotere chatbot. Fabrieken, energiebedrijven en financiële instellingen werken juist met enorme hoeveelheden meetgegevens die voortdurend veranderen.

Voor deze organisaties kan een klein, gespecialiseerd model meer praktische waarde bieden dan een veel groter algemeen AI-systeem.

De belangrijkste vervolgvraag is daarom niet of Timestral indrukwekkende benchmarkresultaten behaalt, maar hoe goed het model presteert wanneer bedrijven het op hun eigen, vaak rommelige gegevens loslaten.