Časové řady znějí jako téma pro datové analytiky, kteří se živí tabulkami a kávou z automatu. Ve skutečnosti se s nimi setkává téměř každá firma. Patří sem prodeje v e-shopu, návštěvnost webu, spotřeba elektřiny, počet objednávek, provoz serverů nebo vývoj teploty.
Dosavadní modely často sledovaly jednu řadu izolovaně. TimesFM-3 se snaží pochopit širší souvislosti: že prodeje zmrzliny mohou souviset s návštěvností prodejny, počasím, reklamní kampaní nebo akcí na doplňkový sortiment. Jinými slovy, model se nedívá jen na to, co se stalo včera, ale také na další signály, které mohou ovlivnit zítřek.
Od jedné křivky k celému systému
Předchozí verze TimesFM až po TimesFM 2.5 byly zaměřené především na univariační předpovědi. Model dostal historii jedné řady a měl odhadnout její další vývoj. To může fungovat dobře například u samostatné řady návštěvnosti, ale v reálném provozu bývá situace složitější.
Firma obvykle nesleduje jen jeden údaj. E-shop řeší objednávky, skladové zásoby, ceny, marketing, dopravu i návštěvnost. Výrobní podnik sleduje teplotu strojů, vibrace, spotřebu a výkon. U energetiky zase dává smysl kombinovat historickou spotřebu s počasím nebo kalendářem.
TimesFM-3 je pro takové scénáře navržen nativně. Dokáže předpovídat více cílových řad zároveň a hledat mezi nimi vztahy. Kromě samotné bodové předpovědi podporuje také kvantilové předpovědi. Ty nevracejí pouze jedno číslo, ale také rozmezí pravděpodobných výsledků.
Pro manažera to znamená praktičtější výstup. Místo věty „příští týden prodáme 10 000 kusů“ může systém dodat také odhad, v jakém intervalu se výsledek pravděpodobně bude pohybovat. To je užitečné při plánování zásob, kapacit i rozpočtu. Přesnost samozřejmě stále závisí na kvalitě vstupních dat. Umělá inteligence neumí z nekvalitní tabulky vyčíst pravdu, jen velmi rychle vytvořit sebevědomě vypadající odhad.
Jak TimesFM-3 funguje
TimesFM-3 používá architekturu typu decoder-only Transformer, tedy konstrukci známou také z moderních jazykových modelů. Nepracuje však s textem, ale s číselnými hodnotami uspořádanými v čase.
Model nespracovává každý jednotlivý bod samostatně. Vstupní data seskupuje do patchů o délce 32 časových kroků. Patch si lze představit jako jeden balíček několika sousedních hodnot. Místo aby model listoval každým číslem zvlášť, dostane kompaktnější obraz krátkého úseku vývoje.
Pro budoucí horizont používá výstupní patche o délce 64 kroků. Samotná architektura má 20 vrstev Transformeru, modelovou dimenzi 1280 a 16 pozornostních hlav. Tyto údaje nejsou jen technická dekorace pro tabulku v tiskové zprávě. Ukazují, že Google vytvořil specializovaný model, který je menší než největší jazykové systémy, ale je přesně zaměřený na numerické předpovědi.
Zajímavá je takzvaná variátní pozornost. Model střídá dva pohledy: sleduje vývoj v čase a zároveň porovnává jednotlivé řady mezi sebou. Může tak zachytit například to, že zvýšení marketingového rozpočtu předchází růstu objednávek nebo že změna počasí ovlivňuje několik produktových kategorií současně.
Budoucí signály nejsou věštění
TimesFM-3 podporuje také past-future dynamické kovariáty. Kovariáta je doplňková proměnná, která pomáhá vysvětlit vývoj hlavní řady. Historická návštěvnost webu je příkladem minulého vstupu. Plánovaná reklamní kampaň, svátek nebo předpověď počasí mohou být známé i pro budoucí období.
Právě zde je rozdíl mezi užitečným plánovacím nástrojem a prostým prodlužováním křivky. Pokud model ví, že se v pátek koná marketingová akce, může tento údaj zohlednit ve výhledu. Neznamená to, že spolehlivě předpoví účinek každé kampaně. Dokáže však využít informace, které běžný model sledující pouze historii nevidí.
Google uvádí ilustrativní scénář, ve kterém plánovaná propagace vede k přibližně 20% zvýšení předpokládaných prodejů ve dnech akce. Jde o ukázkový příklad z prezentace modelu, nikoli o univerzální garanci pro každý obchod nebo trh.
Výsledky: první místo, ale s důležitou poznámkou
Google TimesFM-3 testoval na třech veřejných benchmarcích: fev-bench, TIME a GIFT-Eval. Podle zveřejněných výsledků obsadil první místo celkově na fev-bench napříč 100 reálnými úlohami a také na TIME, který zahrnuje 50 doménových datových sad a 98 vyhodnocovacích úloh. Na GIFT-Eval byl nejlepší mezi základními modely pro časové řady.
Výsledky je ale potřeba číst přesně. Nejde o přímé srovnání s běžnými chatboty typu GPT, Gemini nebo Claude. Tyto systémy jsou obecné jazykové modely a nejsou přímými konkurenty specializovaných modelů pro numerické časové řady. Google porovnával TimesFM-3 především s dalšími forecastingovými modely, například s Chronos-2, rodinou Toto 2.0 a vlastní předchozí verzí TimesFM-2.5.
Výhodou TimesFM-3 je také způsob generování předpovědi. Starší přístupy často vytvářely budoucnost po jednotlivých blocích. Každý další krok tak mohl přenášet chybu z předchozího. TimesFM-3 používá nekoregresivní dekódování a celý předpovídaný horizont generuje v jediném dopředném průchodu. To může snížit latenci i výpočetní náklady, zejména při větším počtu řad.
Pro vývojáře zdarma, pro firmy zatím pozor na licenci
Zdrojový kód TimesFM je veřejně dostupný na GitHubu a modelové váhy TimesFM 3.0 jsou k dispozici na Hugging Face. Pro nekomerční výzkum je model dostupný zdarma.
To však neznamená, že ho lze bez dalšího nasadit do firemního produktu. Kód je vydán pod licencí Apache-2.0, ale váhy TimesFM 3.0 používají samostatnou licenci timesfm-non-commercial-license-v1.0. Ta omezuje použití na nekomerční a neprodukční scénáře.
Pro český tým to prakticky znamená, že si může model stáhnout, otestovat na interních datech nebo použít ve výzkumném projektu. Pokud by měl běžet v komerčním e-shopu, logistickém systému nebo placené analytické službě, licence vyžaduje pečlivé právní posouzení. Dostupnost v Česku ani v Evropské unii není geograficky blokovaná, ale model nemá české uživatelské rozhraní. To ostatně u numerického modelu není zásadní problém: pracuje s datovými tabulkami, nikoli s češtinou.
Hugging Face zároveň uvádí, že TimesFM-3 v současnosti není nasazený u inference providera. Zájemce tedy musí počítat s vlastním technickým prostředím a výpočetním hardwarem. Google oznámil, že integrace do BigQuery má dorazit v následujících týdnech, ale k 1. září 2026 ještě nejde o potvrzenou dostupnou funkci.
Koho TimesFM-3 skutečně osloví
Největší smysl dává TimesFM-3 datovým týmům, výzkumníkům a firmám, které pracují s mnoha souvisejícími signály. Může jít o maloobchod, výrobu, logistiku, energetiku, monitoring infrastruktury nebo finanční analýzu. Výhodou je zero-shot režim: model lze použít bez dolaďování na každou konkrétní úlohu.
To ale neznamená, že stačí nahrát excelovou tabulku a čekat na dokonalý plán. Tým musí správně připravit časové značky, chybějící hodnoty, frekvenci měření a budoucí kovariáty. Stejně důležité je otestovat model na historických obdobích, která při tréninku neviděl, a porovnat ho s jednoduchými metodami. Někdy totiž vyhraje pokročilý Transformer, jindy překvapivě dobře funguje sezónní průměr. Data mají občas smysl pro humor.
TimesFM-3 je proto důležitý hlavně jako posun ve specializovaných modelech pro predikci. Nejde o chatbot a nenahradí datového analytika. Přináší však způsob, jak bez individuálního dolaďování zpracovat více časových řad a využít informace o tom, co se má stát v budoucnu. Pro firmy, které mají kvalitní data a potřebují rychlejší plánování, je to zajímavý výzkumný nástroj. Pro produkční nasazení ale zatím zůstává hlavní překážkou licence modelových vah.
FAQ
Umí TimesFM-3 předpovídat data z českého trhu?
Ano, model může pracovat s časovými řadami z českých firem, pokud jsou data správně připravena. Nejde o jazykový model, takže české prostředí nevyžaduje české uživatelské rozhraní. Důležitější je kvalita historie, pravidelnost měření a dostupnost relevantních doplňkových proměnných.
Lze TimesFM-3 použít v placené aplikaci nebo e-shopu?
Výchozí váhy TimesFM 3.0 jsou vydány pod nekomerční licencí, která nepovoluje běžné komerční a produkční použití. Před nasazením do placené služby je nutné ověřit licenční podmínky a případně získat jiné oprávnění. Samotný zdrojový kód má licenci Apache-2.0, ale ta se automaticky nevztahuje na modelové váhy.
Je TimesFM-3 určený pro běžného uživatele bez programování?
V současnosti především ne. TimesFM-3 je určený pro vývojáře, datové analytiky a výzkumníky, kteří umí pracovat s Pythonem a numerickými daty. Google plánuje integraci do BigQuery, která by mohla práci zjednodušit, ale k 1. září 2026 ještě nebyla podle oznámení dostupná.
Zdroje: Google Research, GitHub projektu TimesFM a modelová karta na Hugging Face.
