Mistral Timestral: zo maak je je eerste voorspelling met tijdreeksdata

Voorspellen hoeveel je volgende week verkoopt, wanneer een pomp gaat haperen of hoeveel stroom je kantoor morgen trekt: daar heb je geen chatbot voor nodig maar een tijdreeksmodel. Mistral bracht er op 15 oktober een familie van uit, Timestral, gratis en zonder GPU te draaien (Bron: Mistral AI). In vier stappen heb je je eerste voorspelling.

Wat Timestral is

Timestral is Mistrals eerste reeks tijdreeksmodellen, in vier maten: 5M, 28M, 123M en 209M parameters. Ze voorspellen meerdere reeksen tegelijk, kunnen rekening houden met bekende toekomstige factoren zoals feestdagen of een productieplanning, en kijken tot 32.768 tijdstappen terug (Bron: Mistral AI). In plaats van één getal krijg je 21 kwantielen: een bandbreedte die laat zien hoe zeker het model is.

Volgens Mistral staat het 209M-model bovenaan op de benchmarks GIFT-Eval, TIME en fev-bench onder vooraf getrainde modellen die zonder extra training werken (Bron: Mistral AI). Dat zijn de eigen cijfers van de maker; de resultaten zijn wel ingestuurd naar de openbare GIFT-Eval- en TIME-ranglijsten.

Stap 1: installeren

Je hebt Python 3.10 of hoger en PyTorch 2.4 of hoger nodig. Installeer het pakket rechtstreeks vanaf GitHub (Bron: GitHub):

pip install git+https://github.com/mistralai/timestral.git

De code valt onder Apache 2.0; de modelgewichten staan apart op Hugging Face onder een aangepaste MIT-licentie (Bron: GitHub). Nieuw met modellen van Hugging Face? Lees eerst hoe je modellen veilig downloadt.

Stap 2: kies je model

Model	Grootte (fp32)	Wanneer
Timestral-5M	21 MB	Laptop, duizenden reeksen tegelijk
Timestral-28M	111 MB	Goede start: snel en nauwkeurig
Timestral-123M	490 MB	Binnen 0,2% van 209M, sneller
Timestral-209M	837 MB	Maximale nauwkeurigheid

De groottes komen uit de GitHub-pagina (Bron: GitHub); de vergelijking 123M versus 209M en het advies voor 28M uit de aankondiging (Bron: Mistral AI).

💡 Beginner-tip: begin met Timestral-28M. Volgens Mistral is het vijf keer sneller dan het grootste model en verslaat het op GIFT-Eval en TIME het vier keer grotere Chronos-2 van Amazon (Bron: Mistral AI).

Stap 3: je eerste voorspelling

Zet je data in een NumPy-array. De vorm is (reeksen, variabelen, tijd), of gewoon één lange rij voor één reeks; ontbrekende waarden geef je aan met NaN (Bron: GitHub). Het voorbeeld uit de README:

import numpy as np
from timestral import TimestralForecaster

forecaster = TimestralForecaster.from_pretrained("mistralai/Timestral-28M")

context = np.random.randn(2, 1, 2000).cumsum(-1)   # vervang door je eigen data
forecast = forecaster.forecast(context, prediction_length=96)

Met prediction_length=96 voorspel je 96 stappen vooruit: bij kwartierdata is dat één dag. Vervang de willekeurige data door bijvoorbeeld je dagomzet uit de kassa of het verbruik uit je slimme meter.

Stap 4: controleer de voorspelling

Een model dat de benchmark wint, kent jouw zaak nog niet. Houd daarom de laatste paar weken van je data achter, laat Timestral die periode voorspellen en vergelijk met wat er echt gebeurde. Kijk vooral of de werkelijke waarden binnen de bandbreedte van de kwantielen vallen. Wil je het model op je eigen data bijtrainen of on-premises draaien, dan verwijst Mistral naar Mistral Forge (Bron: Mistral AI).

Werk je liever met Mistrals taalmodellen via de API, dan helpt onze gids voor je eerste Mistral Large 4-aanroep. En waarom Mistral voor Europese bedrijven een eigen positie heeft, lees je bij Het Laatste AI Nieuws over de Samsung-deal.

Checklist: ben je klaar?

• Python 3.10+ en PyTorch 2.4+ geïnstalleerd
• timestral via pip vanaf GitHub geïnstalleerd
• Model gekozen (start met 28M)
• Je data als array met NaN voor gaten
• Een stuk historie achtergehouden om de voorspelling te toetsen
• Licentie van de modelgewichten gelezen vóór commercieel gebruik

Bronnen

• Mistral AI — Timestral
• GitHub — mistralai/timestral
• Mistral Docs — Timestral 1.0
• Hugging Face — Timestral-collectie