مدیر یک فروشگاه خرده‌فروشی اکنون می‌تواند با تغذیه داده‌های فروش تاریخی و پیش‌بینی موج گرمای هفته آینده به یک مدل، اوج تقاضا برای بستنی را پیش‌بینی کند. گوگل ریسرچ (Google Research) در ۱۲ سپتامبر ۲۰۲۶ مدل TimesFM-3 را منتشر کرد تا از دنبال کردن ساده‌ی روندها فراتر رفته و سیستمی بسازد که بفهمد رویدادهای خارجی چگونه تقاضا را تغییر می‌دهند.
بیشتر پیش‌بینی‌های تجاری شکست می‌خورند چون تنها به یک متغیر تکیه می‌کنند. تصور کنید بخواهید فروش را پیش‌بینی کنید بدون اینکه بدانید تعطیلات در راه است یا رقیب شما به‌تازگی یک حراج بزرگ را آغاز کرده است. همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های داخلی گوگل و جنجال‌های مدل آرتمیس اشاره کردیم، این انتشار نشان‌دهنده‌ی چرخش گوگل به سمت ابزارهای کاربردی و دارای کاربرد خاص در صنایع است. این رویکرد با روند کلی صنعت همسو است که در آن مدل‌های زبانی کوچک‌تر به دلیل کاهش هزینه‌های استنتاج در محیط‌های عملیاتی در حال تبدیل شدن به برندگان واقعی تولید هستند.
زمینه و استقرار
از زمان عرضه این خانواده از مدل‌ها در سال ۲۰۲۴، گوگل می‌گوید که این فناوری در حوزه‌های خرده‌فروشی، مالی، تولید، بهداشت و علوم مستقر شده است. نسخه‌های قبلی، از جمله TimesFM-2.5 که در سپتامبر ۲۰۲۵ عرضه شد، محدودیت فنی داشتند و تنها می‌توانستند یک سری داده را در هر لحظه پردازش کنند. اما پشتیبانی از داده‌های چندمتغیره در نسخه TimesFM-3، یک جهش بزرگ به جلو محسوب می‌شود.
مدل TimesFM-3 بر پایه معماری ترنسفورمر (Transformer) — شبیه به موتورهای پردازش متن که روابط پیچیده بین کلمات را می‌فهمند — با ۳۳۰ میلیون پارامتر (Parameters) ساخته شده است. طبق اعلام گوگل، این مدل روی بیش از یک تریلیون نقطه داده واقعی و مصنوعی آموزش دیده و تغییرات فنی زیر را برای افزایش دقت اعمال کرده است:
جزئیات فنی
- قطعه‌بندی (Patching): مدل ۳۲ نقطه داده متوالی را در یک قطعه گروه‌بندی می‌کند تا الگوها را بهتر بشناسد. همچنین هر سری داده را نرمال‌سازی می‌کند تا اندازه‌های مختلف (مقادیر با بزرگی‌های متفاوت) قابل مقایسه باشند.
- پشتیبانی چندمتغیره: متغیرهای مرتبط، مثل فروش شربت و تأثیر آن بر فروش بستنی یا میزان ترافیک ورودی مشتریان به فروشگاه، را هم‌زمان پردازش می‌کند. این کار با دو جهت متناوب انجام می‌شود: یکی در محور زمان برای یافتن الگوها بدون نشت اطلاعات آینده، و دیگری در عرض سری‌ها برای یادگیری اینکه متغیرها چگونه با یکدیگر مرتبط هستند.
- پیش‌بینی تک‌مرحله‌ای (One-Shot Forecasting): به جای پیش‌بینی تکه‌تکه (یک بلوک در هر بار) — که طبق گزارش گوگل کند بود، توان پردازشی زیادی می‌طلبید و منجر به خطاهای تجمعی می‌شد — تمام خانه‌های خالی آینده را در یک مسیر واحد پر می‌کند.
این مدل سه نوع داده خاص را مدیریت می‌کند: متغیرهای مرتبط (مثلاً فروش شربت که بر فروش بستنی اثر می‌گذارد)، داده‌های صرفاً تاریخی (مثلاً ترافیک گذشته) و رویدادهای آینده‌ی شناخته‌شده (مثل تخفیف‌های برنامه‌ریزی شده). در بصری‌سازی مدل، رنگ آبی سری هدف، بنفش متغیرهای تاریخی و سبز رویدادهای آینده را نشان می‌دهد.
برای مدیریت عدم قطعیت، مدل به جای یک عدد واحد (تخمین نقطه‌ای)، ۹ مقدار برای هر گام زمانی خروجی می‌دهد. این رویکرد باعث می‌شود بازه‌ی هر پیش‌بینی با دقت و اثربخشی بیشتری پوشش داده شود.
در آزمون‌های رودررو، TimesFM-3 در محک‌های Gift-Eval, FEV-Bench و Time رتبه اول مدل‌های پیش‌آموزش‌دیده را کسب کرد و رقبایی مثل Chronos-2 آمازون و خانواده Toto-2.0 را شکست داد. گوگل اشاره کرد که در حالی که در تک‌متغیره برنده است، اما با افزودن داده‌های تکمیلی، فاصله با رقبا به‌شدت بیشتر می‌شود. برای مثال در محک FEV-Bench، مدل Chronos-2 در حالت تک‌متغیره نزدیک است، اما در برابر نسخه کامل TimesFM-3 به‌شدت عقب می‌ماند.
برای صاحبان کسب‌وکار، این یعنی خداحافظی با مدیریت موجودی بر اساس «حدس و گمان». با ادغام جدول تخفیف‌ها، مدل می‌تواند افزایش ۲۰ درصدی تقاضا در روزهای پروموشن را پیش‌بینی کند، در حالی که مدل‌های قدیمی فقط الگوی هفته قبل را تکرار می‌کردند. این موضوع باعث کاهش ضایعات و جلوگیری از اتمام موجودی در پیک‌های فروش می‌شود.
این قابلیت، پیش‌بینی را از یک تمرین ریاضی به یک ابزار استراتژیک تبدیل می‌کند. توانایی مرتبط کردن جریان‌های داده‌ای پراکنده — مثل آب‌وهوا و قیمت‌گذاری — به شرکت‌ها اجازه می‌دهد تصمیمات پیچیده زنجیره تأمین را که پیش‌تر به شهود انسانی نیاز داشت، خودکار کنند.
گوگل این مدل را در گیت‌هاب و هگینگ‌فیس منتشر کرده و قصد دارد در هفته‌های آینده آن را با BigQuery ادغام کند. این اقدام پس از عرضه WeatherNext Cyclones در اوت صورت گرفت؛ سیستمی متن‌باز برای پیش‌بینی طوفان‌های گرمسیری که مسیر و شدت آن‌ها را حدود یک روز زودتر از مدل‌های عملیاتی پیشرو پیش‌بینی می‌کند.
گام بعدی شما
- اگر از BigQuery استفاده می‌کنید، برای ادغام TimesFM-3 در تحلیل‌های فروش خود آماده شوید.
- مدل را از Hugging Face دریافت کرده و روی داده‌های چندمتغیره (مثلاً ترکیب قیمت و تقویم) آزمایش کنید.
- برای کاهش ضایعات انبار، متغیرهای محیطی (آب‌وهوا/تعطیلات) را به ورودی‌های پیش‌بینی خود اضافه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو