Google Research lâche TimesFM, un modèle fondationnel préentraîné dédié aux séries temporelles et aux prévisions. C'est un décodeur seul (decoder-only), inspiré de l'approche des grands modèles de langage, mais adapté aux données temporelles : stocks, météo, capteurs, tout ce qui bouge dans le temps.
Le truc intéressant : le modèle est généraliste. Au lieu de réentraîner un réseau pour chaque cas d'usage (comme avant), tu le fins-tune ou tu l'utilises direct. Les checkpoints sont dispo sur Hugging Face, donc c'est accessible. Les résultats publiés à ICML 2024 montrent des perfs solides sur plusieurs benchmarks.
Pour les devs et les data scientists, c'est une économie de compute et de temps : plutôt que partir de zéro, tu commences avec une base déjà intelligente sur les patterns temporels. Les équipes de forecasting (logistique, finance, énergie) peuvent l'intégrer dans leurs pipelines.
L'open-source ici veut dire : tu télécharges, tu itères, tu maîtrises. Pas de call API à Vertex ou autre cloud Google (option existe, mais c'est optionnel).
