Timestral : des prévisions IA exécutables sur vos serveurs

Ce qui change

Mistral a publié Timestral, une famille de modèles de prévision de séries temporelles : des mesures ordonnées dans le temps. Le code et les modèles téléchargeables permettent de l’exécuter sur vos propres machines, sur processeur ou sur carte graphique. Une carte graphique dédiée au calcul n’est donc pas nécessaire pour l’essayer. Présentation de Mistral.

Timestral peut prévoir plusieurs séries liées et intégrer des facteurs connus à l’avance, comme un calendrier de production. Il produit aussi des prévisions probabilistes : plusieurs niveaux de valeurs possibles pour représenter l’incertitude, plutôt qu’un chiffre unique.

Quelles entreprises peuvent l’évaluer

Le sujet concerne notamment les entreprises qui utilisent des historiques de capteurs pour préparer la maintenance, prévoir une consommation d’énergie ou dimensionner leur capacité. Mistral présente ces usages ; leur intérêt pour votre activité reste à mesurer sur vos données.

Le code du dépôt est sous licence Apache 2.0. Les poids — les fichiers contenant le modèle appris — relèvent d’une licence distincte. Pour Timestral-209M, la licence Modified MIT interdit d’exercer ses droits si le chiffre d’affaires mensuel consolidé mondial de votre entreprise, ou de votre employeur, dépasse 20 millions de dollars, ou l’équivalent dans une autre monnaie, pour le mois précédent. Cette restriction couvre aussi les dérivés, modifications et œuvres combinées, y compris fournis par un tiers. Une licence commerciale peut être demandée à Mistral, qui reste libre de l’accorder. Licence du modèle.

Les copies ou parties substantielles du modèle doivent conserver les mentions d’attribution et d’autorisation. Le modèle est fourni sans garantie ; sa fiche impose également le respect des droits des tiers, notamment de propriété intellectuelle.

Disponible depuis le 15 octobre

L’annonce est datée du 15 octobre 2026. La documentation classe Timestral-209M en préversion publique. Le dépôt permet déjà une exécution locale ; Mistral précise que les données de production peuvent différer des données d’évaluation et évoluer dans le temps.

Ce qu’il faut faire

• Choisissez une prévision précise à évaluer et son horizon : capacité, énergie ou maintenance, par exemple.
• Faites vérifier la licence des poids retenus, notamment le chiffre d’affaires du mois précédent et les mentions à conserver.
• Confiez un essai local à votre responsable des données ou à votre prestataire. Le dépôt demande Python 3.10 au minimum et PyTorch 2.4 au minimum.
• Comparez les prévisions sur une période historique réservée au test avec votre méthode actuelle. Examinez les erreurs et l’incertitude avant de décider du passage en service.
• Pour l’exécution, tenez compte de la limite de 32 768 observations historiques ; au-delà de 1 024 pas de prévision, le modèle procède par blocs successifs.

Pour relier ces prévisions à votre pilotage, VCSTS relie vos données et construit vos indicateurs, tableaux de bord et analyses pour comprendre votre activité, décider et anticiper.