Google TimesFM-3 analizuje pogodę i promocje, ale wdrożenia pozostają ograniczone
Google TimesFM-3 przetwarza teraz wiele powiązanych strumieni danych, znane przyszłe zdarzenia oraz 330 milionów parametrów w jednym modelu prognozującym. Ta zmiana rozwiązuje istotne ograniczenie wcześniejszego podejścia Google. Poprzednie wersje prognozowały przede wszystkim pojedynczy szereg na podstawie jego własnej historii.
Sprzedawca może teraz połączyć dane o sprzedaży z ruchem klientów, powiązanymi produktami, prognozami pogody, świętami i zaplanowanymi promocjami. Google twierdzi, że model potrafi wykorzystać te zależności bez dostrajania do konkretnego zadania. W przykładzie firmy przewidywany jest szacowany 20-procentowy wzrost sprzedaży w dniach promocji.
Szersza rywalizacja nie dotyczy już generowania wiarygodnej linii na podstawie wartości z przeszłości. Google, Amazon, Datadog, Salesforce i inni twórcy konkurują w budowie wielokrotnego użytku modeli prognozujących dla nieuporządkowanych danych operacyjnych. Google TimesFM-3 wchodzi do tej rywalizacji z mocnymi deklaracjami benchmarkowymi, jednak jego wstępnie wytrenowane wagi nadal są ograniczone do zastosowań niekomercyjnych i nieprodukcyjnych.
Google TimesFM-3 wykracza poza pojedynczy szereg naraz
Kluczową zmianą jest natywne prognozowanie wielowymiarowe, które pozwala jednemu modelowi połączyć cel z powiązanymi sygnałami przed wyznaczeniem jego przyszłych wartości.
Google Research ogłosiło TimesFM-3 31 sierpnia 2026 roku. Firma opisuje go jako bazowy model szeregów czasowych typu zero-shot. Zero-shot oznacza, że może on podejść do nowego zbioru danych prognozowania bez wcześniejszego szkolenia specyficznego dla danego zadania na tym zbiorze.
Szereg czasowy to po prostu sekwencja pomiarów ułożonych w czasie. Typowymi przykładami są dzienna sprzedaż w sklepie, godzinowe obciążenie serwera, miesięczne przychody i odczyty glukozy. Modele prognozujące analizują wcześniejsze pomiary i szacują, co nastąpi później.
Poprzednie wydania TimesFM ułatwiały ten proces, oferując wstępnie wytrenowany model dla wielu rodzajów danych czasowych. Główny model nadal jednak traktował każdy docelowy szereg niezależnie. Jego bezpośredni obraz problemu kończył się na historii tego szeregu.
TimesFM-2.5 mógł dodawać kowariaty za pośrednictwem oddzielnej ścieżki regresyjnej XReg. Kowariaty to zewnętrzne zmienne pomagające wyjaśnić zmiany w celu. To rozszerzenie było przydatne, ale Google nie wytrenowało TimesFM-2.5 jako natywnego prognozera wielowymiarowego.
TimesFM-3 zmienia sam fundament. Według ogłoszenia modelu Google wytrenowało go wstępnie do jednoczesnego przetwarzania celów i zmiennych wspierających. Model może prognozować kilka powiązanych celów równocześnie, analizując zależności między nimi.
Google dzieli te dane wejściowe na trzy użyteczne grupy. Wiele celów obejmuje powiązane pomiary podlegające prognozie, takie jak sprzedaż kilku marek lodów. Kowariaty z przeszłości obejmują sygnały dostępne wyłącznie dla wcześniejszych okresów, takie jak zarejestrowany ruch w sklepie.
Kowariaty przeszło-przyszłe rozciągają się zarówno na okres historyczny, jak i horyzont prognozy. Dane te obejmują zdarzenia, których przyszłe wartości są już znane. Do tej kategorii mogą należeć kalendarz promocji, harmonogram świąt, planowana zniżka lub zewnętrzna prognoza pogody.
To rozróżnienie ma znaczenie, ponieważ prognozy biznesowe rzadko zależą wyłącznie od historii. Tygodniowy wzorzec nie może wiedzieć, że sprzedawca zaplanował rabat na następny wtorek. Nie potrafi też wywnioskować nadchodzącej fali upałów, jeśli nie reprezentuje jej inny sygnał wejściowy.
Ilustracyjny przykład detaliczny Google pokazuje tę różnicę. Projekcja jednowymiarowa powtarza tygodniowy wzorzec sprzedaży, ponieważ widzi wyłącznie wcześniejszą sprzedaż. Prognoza TimesFM-3 otrzymuje także przyszły harmonogram promocji, dlatego jej wynik rośnie w zaplanowane dni.
Google podaje, że przykład generuje oczekiwany wzrost sprzedaży o około 20 procent w każdym dniu promocji. Liczba ta ilustruje mechanizm, a nie dowodzi uniwersalnego efektu w handlu detalicznym. Rzeczywista reakcja sprzedaży będzie zależeć od produktu, sklepu, rabatu, sezonu i zachowań klientów.
Wydanie dotyczy więc czegoś więcej niż dodawania dodatkowych kolumn do żądania prognozy. Google wytrenowało model tak, aby rozpoznawał relacje między kolumnami, zanim zobaczy zbiór danych konkretnego klienta. To obietnica stojąca za wielowymiarowym prognozowaniem Google w formie zero-shot.
Dlaczego modele prognozujące potrzebują znanych przyszłych zdarzeń
Prognoza staje się bardziej użyteczna, gdy potrafi odróżnić powtarzającą się historię od przyszłej interwencji, którą menedżerowie już zaplanowali.
Wiele decyzji operacyjnych zmienia prognozowany wynik. Sprzedawcy detaliczni zmieniają ceny, marketerzy planują kampanie, fabryki planują konserwację, a szpitale modyfikują obsadę personelu. Model ignorujący te działania może stworzyć technicznie spójną prognozę, która jest operacyjnie nieistotna.
Rozważmy sieć sklepów spożywczych planującą zapasy mrożonych deserów. Historyczna sprzedaż lodów może ujawnić sezonowość, wzorce dni tygodnia i długoterminowy wzrost. Sprzedaż powiązanych rożków i syropów może pokazać relacje popytowe, których nie uchwyci pojedynczy szereg produktowy.
Zarejestrowany ruch klientów dostarcza dowodów dotyczących wcześniejszej aktywności sklepu. Prognozy pogody oferują informacje o warunkach w okresie prognozy. Harmonogramy promocji mówią modelowi dokładnie, kiedy sprzedawca spodziewa się interwencji.
TimesFM-3 może analizować te strumienie łącznie. Nie musi traktować planowanej promocji jak niespodziewanej przyszłej niespodzianki. Może porównywać wcześniejsze okresy promocji z przyszłymi zaplanowanymi datami i odpowiednio dostosować prognozę.
Ta sama struktura ma zastosowanie poza handlem detalicznym. Operator chmury może prognozować popyt, korzystając z historii obciążeń, kalendarzy wydań i harmonogramów konserwacji. Planista energetyczny mógłby połączyć pomiary obciążenia z prognozami temperatury i znanymi przestojami przemysłowymi.
Producenci mogą prognozować odczyty czujników wraz z harmonogramami produkcji. Analitycy ochrony zdrowia mogliby łączyć pomiary z kilku urządzeń ze znanymi zdarzeniami terapeutycznymi. Zespoły finansowe mogłyby analizować powiązane wskaźniki operacyjne zamiast ekstrapolować jedną pozycję księgową.
Przypadki te nie są identyczne, a model wielokrotnego użytku musi radzić sobie z dużymi różnicami skali. Ruch na stronie internetowej może sięgać milionów, podczas gdy czujnik urządzenia rejestruje małe wartości dziesiętne. TimesFM-3 normalizuje każdy szereg, aby te skale nie dominowały wewnętrznych porównań modelu.
Google twierdzi, że wytrenowało system na ponad bilionie punktów czasowych z rzeczywistych i syntetycznych źródeł. Wśród wymienionych źródeł znajdują się dane pretreningowe GIFT-Eval, odsłony stron Wikipedii, zapytania Google Trends i wzbogacone sekwencje syntetyczne.
Model zawiera 330 milionów parametrów. To więcej niż w TimesFM-2.5, który wykorzystywał 200 milionów parametrów, lecz mniej niż w wielu modelach językowych ogólnego przeznaczenia. Sama liczba parametrów nie determinuje dokładności prognoz ani kosztu wdrożenia.
Istotniejsze jest to, czego model nauczył się podczas wstępnego treningu. Wielowymiarowe prognozowanie Google wymaga od sieci przenoszenia wzorców relacji, a nie jedynie kształtów w obrębie pojedynczego szeregu. Stwarza to możliwość szybszych eksperymentów na zbiorach danych zawierających wiele połączonych zmiennych.
Zmienia to również zakres przygotowań wymaganych od zespołów. Model nie może skorzystać z harmonogramu promocji, którego nikt nie zarejestrował dokładnie. Dane pogodowe muszą odpowiadać właściwym lokalizacjom i przedziałom czasowym. Cele i kowariaty wymagają spójnych znaczników czasu.
Przyszłe kowariaty wprowadzają kolejną zależność. Wynik może być wiarygodny tylko w takim stopniu, w jakim wiarygodne są te przyszłe dane wejściowe. Prognoza oparta na niedokładnej prognozie pogody lub anulowanym planie promocji dziedziczy ten błąd.
Zespoły muszą również unikać dostarczania informacji, które nie byłyby dostępne w chwili tworzenia prognozy. Problem ten nazywa się wyciekiem danych. Wyciek sprawia, że oceny historyczne wyglądają lepiej, ponieważ model może zobaczyć dowody z przyszłości.
Najsilniejszym zastosowaniem nie jest więc automatyczne prognozowanie na podstawie każdej dostępnej kolumny. Jest nim kontrolowane prognozowanie ze zmiennymi o jasnym znaczeniu i regułach dostępności. TimesFM-3 ogranicza nakład pracy związany z modelowaniem, ale nie eliminuje zarządzania danymi.
Jak prognozowanie TimesFM-3 działa w jednym przebiegu
Google przeprojektowało ścieżkę prognozowania tak, aby zależności czasowe i zależności między szeregami przeplatały się wewnątrz tego samego transformera.
Model rozpoczyna od zgrupowania 32 kolejnych punktów czasowych w łatę. Tworzenie łat przekształca długą sekwencję liczbową w krótszą serię tokenów. Przypomina to sposób, w jaki niektóre transformery wizualne przetwarzają łaty obrazu zamiast pojedynczych pikseli.
Każdy cel lub kowariata dostępna wyłącznie w przeszłości otrzymuje tokeny utworzone z historycznych łat. Kowariaty przeszło-przyszłe wykorzystują konstrukcję wybiegającą w przyszłość. Ich tokeny obejmują bieżącą łatę i przyszłe łaty zawierające już znane sygnały.
Tokeny trafiają do transformera wyłącznie dekoderowego z 20 warstwami, wymiarem modelu 1 280 i 16 głowami uwagi. Specyfikacje te znajdują się w oficjalnej karcie modelu. Architektura przeplata dwie formy uwagi.
Przyczynowa uwaga czasowa porusza się poziomo w czasie w obrębie jednego szeregu. Przyczynowa oznacza, że każdy token może analizować wcześniejsze informacje, lecz nie nieznane przyszłe cele. Ograniczenie to pomaga zapobiegać wyciekowi przyszłych wartości docelowych do prognozy.
Pełna uwaga między zmiennymi porusza się pionowo między różnymi szeregami w tej samej pozycji czasowej. Pozwala tokenom sprzedaży analizować promocje, pogodę, ruch klientów lub sygnały dotyczące powiązanych produktów. Model przeplata te operacje czasowe i między szeregami w całym stosie transformera.
Ten naprzemienny wzorzec definiuje główny mechanizm prognozowania TimesFM-3. Jedna operacja uczy się, co zmieniało się w czasie. Następna analizuje, jak zmienne poruszają się razem.
Google zmieniło także sposób generowania horyzontu. Wcześniejsze wersje TimesFM przewidywały jedną łatę wyjściową, a następnie wykorzystywały ten wynik podczas generowania kolejnej. Taka autoregresyjna pętla może kumulować błędy i zwiększać opóźnienia przy długich horyzontach.
TimesFM-3 zamiast tego umieszcza zamaskowane tokeny w całym żądanym przyszłym horyzoncie. Zamaskowane tokeny działają jak puste pozycje, które sieć musi wypełnić. Model generuje kompletną prognozę w jednym przebiegu do przodu, zamiast w pętli wynik po wyniku.
Nieznane przyszłe cele i kowariaty dostępne wyłącznie w przeszłości pozostają zamaskowane. Znane przyszłe sygnały, w tym zaplanowane promocje i święta, pozostają widoczne. Taki układ pozwala modelowi wypełnić horyzont docelowy przy jednoczesnym uwzględnieniu zdarzeń, które planiści już znają.
Podejście wykorzystuje maskowanie ciągłych łat, metodę treningową ukrywającą kolejne fragmenty sekwencji. Model uczy się odtwarzać te fragmenty na podstawie otaczającego je kontekstu. Google stosuje tę zasadę do całego horyzontu prognozowania.
Pojedyncze oszacowanie punktowe ukrywałoby znaczną niepewność. TimesFM-3 generuje więc dziewięć kwantyli na każdym przyszłym kroku, obejmujących percentyle od 10. do 90. Kwantyle opisują zakres wiarygodnych wyników, a nie jedną pewną odpowiedź.
Sprzedawca może wykorzystać medianę do podstawowego planu zapasów. Dolne i górne kwantyle mogą wspierać scenariusze konserwatywne i agresywne. Różnica między nimi pokazuje także, gdzie model wyraża większą niepewność.
Przedziały te są użyteczne tylko wtedy, gdy pozostają skalibrowane na lokalnych danych. Nominalny 90. percentyl powinien zachowywać się zgodnie z tym określeniem podczas powtarzanych rzeczywistych prognoz. Zespoły potrzebują testów wstecznych, aby ustalić, czy raportowana niepewność odpowiada ich środowisku operacyjnemu.
Google udostępnia kod za pośrednictwem publicznego repozytorium TimesFM. Projekt obsługuje dane jednowymiarowe, wiele zmiennych docelowych, współzmienne dostępne wyłącznie z przeszłości oraz współzmienne z przeszłości i przyszłości. Wagi PyTorch są osobno dostępne przez Hugging Face.
Repozytorium zawiera również backend MLX dla Apple silicon. Udokumentowane przykłady obsługują wielowymiarowe zmienne docelowe i oba typy współzmiennych. Ta opcja obniża próg wejścia dla lokalnych eksperymentów, choć wstępnie wytrenowane wagi nadal są objęte restrykcyjną licencją.
Ta architektura nie rozumuje o przyczynowości biznesowej w ludzkim sensie. Jeśli rabaty i sprzedaż historycznie zmieniają się razem, model może wykorzystać tę zależność. Nie ustala jednak, że konkretny rabat spowodował wzrost.
Korelacja może również przestać działać po zmianie warunków biznesowych. Promocja może przynieść słabsze wyniki, ponieważ konkurent obniża ceny lub kończą się zapasy. Użytkownicy prognoz nadal potrzebują kontekstu operacyjnego, którego żadna seria wejściowa nie ujmuje w pełni.
Mocne benchmarki nie rozstrzygają kwestii wdrożenia
Rankingi raportowane przez Google czynią TimesFM-3 poważnym punktem odniesienia, ale nie gwarantują lepszych prognoz dla każdego prywatnego zbioru danych.
Google ocenił model na GIFT-Eval, FEV-Bench i TIME. Te publiczne zestawy testują prognozowanie na różnych zbiorach danych, częstotliwościach, horyzontach i metrykach. Firma podaje, że TimesFM-3 osiągnął najlepszą średnią pozycję we wszystkich trzech.
Porównania obejmowały Chronos-2 firmy Amazon, rodzinę Toto 2.0 firmy Datadog oraz TimesFM-2.5 firmy Google. Google informuje, że TimesFM-3 osiągał dobre wyniki nawet w trybie jednowymiarowym. Dodanie informacji między seriami i współzmiennych dodatkowo poprawiło jego średnią pozycję.
Repozytorium opisuje FEV-Bench jako 100 rzeczywistych zadań prognostycznych. TIME opisano jako 50 zbiorów danych domenowych i 98 zadań ewaluacyjnych. GIFT-Eval zapewnia kolejne szerokie porównanie międzydomenowe modeli bazowych.
Szeroki zakres pomaga ograniczyć zależność od jednego korzystnego zbioru danych. Metryki punktowe i probabilistyczne testują również różne cechy. Metryki punktowe oceniają centralne prognozy, natomiast metryki probabilistyczne badają jakość rozkładów prognoz.
Jednak publicznie podsumowane wyniki wykorzystują średnie pozycje zamiast jednego uniwersalnego procentu poprawy. Pozycja pokazuje względne miejsce w zadaniach. Nie mówi kupującemu, o ile dokładność poprawi się w konkretnym katalogu sprzedażowym lub flocie serwerów.
Google opublikował również same wyniki. Niezależna replikacja będzie istotna, szczególnie dla wielowymiarowych danych wejściowych i znanych współzmiennych przyszłych. Zespoły potrzebują wyników opartych na własnych horyzontach prognoz, wzorcach brakujących danych i kosztach decyzyjnych.
Wstępne trenowanie wprowadza kolejną niepewność. Model przetworzył ponad bilion punktów czasowych, w tym publiczne sygnały z sieci i dane syntetyczne. Taka skala może poprawić transfer, jednak podobieństwo między danymi treningowymi a późniejszym zbiorem danych może wpływać na wydajność zero-shot.
Badanie z 2025 roku dotyczące generalizacji prognozowania wykazało, że wcześniejsze bazowe modele szeregów czasowych słabły przy niektórych przesunięciach rozkładu. Testy wykorzystywały TimesFM 2.0, a nie TimesFM-3, więc nie podważają nowych wyników Google.
Badanie wskazuje jednak na istotne ryzyko wdrożeniowe. W jednym małym zbiorze danych dotyczących energii elektrycznej wyspecjalizowany model z 49 500 parametrami przewyższył po adaptacji znacznie większy wcześniejszy model TimesFM. Większa skala wstępnego trenowania nie zniosła wartości lokalnej specjalizacji.
TimesFM-3 może lepiej radzić sobie z takimi przypadkami, ponieważ jego architektura i trening uległy zmianie. Google twierdzi, że jego tryb jednowymiarowy już przewyższa wcześniejsze wydania. Mimo to nowy lider benchmarków nie eliminuje problemu przesunięcia domeny.
Dane detaliczne dobrze ilustrują to wyzwanie. Model trenowany na szerokich wzorcach czasowych może dobrze obsługiwać normalną sezonowość. Nadal może mieć trudności po przeniesieniu sklepu, zmianie asortymentu, wejściu konkurenta, zakłóceniach dostaw lub nagłej zmianie zachowań klientów.
Współzmienne pomagają, gdy odzwierciedlają tę zmianę. Dają niewielką ochronę, gdy istotne zdarzenie pozostaje nieodnotowane. Mogą też wprowadzać model w błąd, gdy historyczne zależności przestają obowiązywać.
Porównanie z prognozowaniem specyficznym dla danego zadania pozostaje więc główną rywalizacją. Modele bazowe obiecują szybsze wdrożenie i szersze wykorzystanie. Modele wyspecjalizowane obiecują bliższe dostosowanie do wzorców popytu, ograniczeń i funkcji straty jednej firmy.
Dokładność jest tylko jedną częścią tej decyzji. Zespoły muszą mierzyć opóźnienie inferencji, wymagania infrastrukturalne, zachowanie w przypadku błędów, kalibrację i wysiłek potrzebny do monitorowania. Muszą też zdecydować, czy prognozę da się wyjaśnić wystarczająco dobrze na potrzeby zatwierdzania zapasów lub decyzji finansowych.
TimesFM-3 zapewnia wyniki probabilistyczne, ale kwantyle nie są wyjaśnieniami. Analityk nadal musi ustalić, dlaczego model zareagował na pogodę lub promocję. Kontrolowane testy ablacyjne mogą pomóc, usuwając jedno wejście i mierząc zmianę.
Backtesting powinien odtwarzać informacje dostępne przy każdym historycznym punkcie odcięcia. Przyszłe dane pogodowe powinny pochodzić z prognoz wydanych w tamtym czasie, a nie z obserwacji zapisanych później. Harmonogramy promocji powinny odzwierciedlać ich wcześniejsze wersje, w tym późniejsze odwołania.
Zespoły powinny również porównywać wyniki z prostymi punktami odniesienia. Sezonowe prognozy naiwne, regresje liniowe, drzewa wzmacniane gradientowo i uznane modele wyspecjalizowane mogą nadal być konkurencyjne. Model bazowy zasługuje na swoje miejsce tylko wtedy, gdy poprawia wynik operacyjny.
Licencja niekomercyjna tworzy bezpośredni punkt presji
Programiści mogą już dziś analizować TimesFM-3, ale większość firm nie może umieścić jego domyślnych wstępnie wytrenowanych wag w procesie produkcyjnym.
Google udostępnił kod źródłowy repozytorium na licencji Apache 2.0. Jednak wstępnie wytrenowane wagi TimesFM-3 wykorzystują odrębną licencję TimesFM Non-Commercial License v1.0. Repozytorium podaje, że te wagi są ograniczone do zastosowań niekomercyjnych i nieprodukcyjnych.
Ten podział ma znaczenie. Dostępność kodu źródłowego pozwala badaczom analizować implementację i przeprowadzać eksperymenty. Nie daje jednak sprzedawcy detalicznemu pozwolenia na wykorzystanie domyślnych wag do bieżącego uzupełniania zapasów lub planowania przychodów.
Wcześniejsze wagi TimesFM do wersji 2.5 pozostają objęte licencją Apache 2.0. Zespoły mogą więc spotkać się z różnymi prawami w ramach tego samego projektu. Muszą sprawdzić licencję przypisaną do dokładnego checkpointu, którego planują użyć.
Ograniczenie wpływa również na presję konkurencyjną. Amazon, Datadog, Salesforce, Nixtla, IBM i inne organizacje rozwijają systemy prognozowania wielokrotnego użytku. Dostępność, integracja, wsparcie i licencjonowanie mogą przeważyć nad niewielką przewagą w benchmarkach.
Google twierdzi, że integracja z BigQuery pojawi się w nadchodzących tygodniach. To wdrożenie jest pierwszym ważnym sygnałem, który należy obserwować. Powinno wyjaśnić, w jaki sposób klienci uzyskają dostęp do TimesFM-3 oraz jakie warunki komercyjne będą regulować korzystanie z hostowanej usługi.
BigQuery już udostępnia funkcję AI.FORECAST do prognozowania jednowymiarowego opartego na TimesFM. Natywne wydanie wielowymiarowe mogłoby zbliżyć nowy model do istniejących danych przedsiębiorstw. Dostęp przez SQL zmniejszyłby również nakład pracy integracyjnej wymagany od zespołów prognostycznych.
Drugim sygnałem jest niezależna replikacja benchmarków. Badacze powinni potwierdzić wyniki we wszystkich trzech zestawach ewaluacyjnych i przetestować trudne przesunięcia rozkładu. Publiczne porównania powinny także podawać rzeczywiste różnice metryk obok średnich pozycji.
Trzecim sygnałem są dowody z produkcji. Studia przypadków powinny pokazać, czy współzmienne poprawiają decyzje takie jak alokacja zapasów, planowanie obsady, planowanie przepustowości lub przygotowanie na anomalie. Użyteczne raporty będą obejmować porównania z punktami odniesienia i koszty błędów, a nie tylko dokładność modelu.
Usługa produkcyjna wzmocniłaby twierdzenie Google, że ogólny model prognostyczny może wyjść poza eksperymenty badawcze. Utrzymujące się ograniczenia licencyjne bez ścieżki komercyjnej osłabiłyby ten wniosek. Programiści mogliby badać model, jednocześnie wybierając inny system do wdrożenia.
Niezależne wyniki mogłyby również zmienić obraz konkurencji. Spójne zyski na niewidzianych wcześniej biznesowych zbiorach danych wsparłyby strategię zero-shot Google. Mieszane wyniki wzmocniłyby argument za traktowaniem TimesFM-3 jako punktu wyjścia, a nie końcowego systemu prognozowania.
Wydanie modelu nadal stanowi znaczący krok techniczny. Poprzedni model bazowy Google nie mógł natywnie łączyć kilku zmiennych docelowych z sygnałami historycznymi i znanymi z przyszłości. TimesFM-3 czyni te zależności częścią wstępnego trenowania i inferencji.
Ta zdolność przybliża bazowe prognozowanie do rzeczywistych problemów planistycznych. Firmy nie doświadczają sprzedaży, pogody, ruchu, rabatów i świąt jako odizolowanych osi czasu. Ich systemy prognozowania nie powinny musieć ignorować tych powiązań.
Przyszłość pozostaje jednak poza kontrolą modelu. Prognozy pogody się zmieniają, promocje są odwoływane, a zachowania klientów ulegają zmianie. Dziewięć kwantyli może wyrażać niepewność, ale nie może zamienić niepełnych danych wejściowych w pewność.
Dla programistów rozsądnym kolejnym działaniem jest kontrolowana ocena offline. Porównaj Google TimesFM-3 z obecnym punktem odniesienia w środowisku produkcyjnym, zachowaj historyczne granice informacji i przetestuj kalibrację prognoz. Następnie obserwuj BigQuery pod kątem ścieżki komercyjnej, której obecnie nie zapewniają wagi dostępne do pobrania.
