Timestral(タイムストラル)とは

Timestralとは、過去の売上や設備の測定値など、時間順に並ぶデータから先の値を見積もるMistral AIの基盤モデル群です。2026年10月15日に発表されました。たとえば、毎日の出荷数を材料に翌週の物量を予測し、倉庫で何人の作業員を確保するか考える場面で使えます。

予測にどんな情報を渡せる?

機械の振動・温度・圧力のように関係する測定値は、複数の系列をまとめて渡せます。Mistralの説明では、ひとつの値の上昇が別の値の変化の原因になることが多いため、測定値ごとに別々に予測せず、互いの関係をまとめて使える仕組み。曜日や設備の停止予定など、予測したい時点で前もって分かる情報も入力に使えます。

需要予測AIに使う場合は、販促の予定日のように前もって決まっている情報を加えると、その日の増加を想定どおりの動きとして予測に織り込めます(Mistralは、設備の予定された負荷の増加を例に説明しています)。ただし、計画と実績の列を混ぜると、テストでしか再現できない好成績が出かねません。予測時点で手元にある情報だけを渡して精度を確かめましょう。

計画には予測の幅を使う

同じ予測値でも、振れ幅が違えば備え方が変わります。翌週の需要が普段どおりと見込まれていても、上振れ時の数量が大きければ、追加発注の締め切りを調べておく余地があります。売上予測AIでも、いちばんありそうな中央の見通しと、欠品を避けたいときの上振れ側の見通しは、別々に役立つもの。実績が予測の幅に収まる頻度も、導入前に確認しておくと判断に使えます。

GPUがなくても動かせる?

Mistralは、Timestralは予測の計算にGPU(画像処理などに使う高価な計算用の半導体)を必要とせず、通常のサーバーのCPUで動くと説明しています。重みは公開されており、ライセンスはMITライセンスを一部変えたModified MIT。社内のサーバーや、外部とつながない環境での運用も想定された設計です。商用で使う前には、配布元のライセンスの条文を確かめてください。

Topic学習に使われた架空の時系列

学習材料の大半は、Mistralが作った合成データでした。チームは、季節ごとに上下する動きや長期的な増減を持つ系列を作り、複数の系列が互いに影響するように組み合わせています。実際の計測値も、学習の後半で合成データと混ぜて使われました。

Timestralに関するよくある質問

Timestralを使うには、自社データで学習し直す必要がありますか?
既存のモデルに時系列を渡して予測できる設計です。設備や商品に固有の事情が大きい場合は、まず過去データで検証し、必要なら学習し直す方法もあります。
Timestralは何種類ありますか?
発表されたのは5M、28M、123M、209Mの4サイズです。この数字はモデル内部で学習する設定値の数で、入力できるデータの件数を表すものではありません。

あわせて読みたい記事