Mistral Timestral prognostiziert Nachfrage und Sensordaten

Mistral hat mit Timestral vier KI-Modelle für Zeitreihen veröffentlicht, die auch auf einer CPUDer Hauptprozessor eines Computers. Timestral kann auf einer CPU rechnen; eine GPU ist ein zusätzlicher Prozessor, der bestimmte Rechenaufgaben parallel beschleunigen kann. laufen. Die am 15. Oktober 2026 vorgestellte Modellfamilie soll aus bisherigen Messwerten künftige Entwicklungen abschätzen. Für Unternehmen geht es dabei um konkrete Planungsaufgaben: Wie viel Ware wird gebraucht? Welche Last kommt auf eine Anlage zu? Wo weicht ein Sensor vom erwarteten Verlauf ab?

Interessant ist der Ansatz dort, wo bereits regelmäßig Daten anfallen. Ein Betrieb könnte seine wöchentliche Nachfrage prognostizieren und daraus Bestellmengen ableiten. Ob das besser funktioniert als die bisherige Planung, lässt sich mit den eigenen historischen Daten prüfen.

Timestral macht Unsicherheit in der Prognose sichtbar

Eine ZeitreiheEine Folge zeitlich geordneter Messwerte, zum Beispiel tägliche Verkäufe oder stündliche Temperaturen. ordnet Werte zeitlich: etwa tägliche Verkäufe oder die Temperatur einer Maschine im Viertelstundentakt. Laut Modellbeschreibung kann Timestral einzelne Reihen und mehrere zusammengehörige Reihen gemeinsam verarbeiten. Hinzu kommen Informationen, die schon für den Prognosezeitraum bekannt sind, beispielsweise ein Feiertagskalender oder ein geplanter Produktionsstopp.

Das Modell liefert 21 QuantileSchwellenwerte einer Verteilung. Bei einer Prognose helfen mehrere Quantile, die vom Modell geschätzte Bandbreite möglicher Ergebnisse darzustellen.. Daraus lassen sich Bereiche für die geschätzte Entwicklung ableiten. Bei der Bestandsplanung wird damit sichtbar, wie weit eine vorsichtige und eine optimistischere Nachfrageannahme auseinanderliegen. Die Bandbreite ist eine Schätzung des Modells. Wie gut sie die tatsächlichen Werte abdeckt, muss ein Test zeigen.

Schematisches Beispiel für die Bestandsplanung nach der Mistral-Beschreibung. Die Bandbreite zeigt das Prinzip, keine Mess- oder Testergebnisse.

Vier Größen erleichtern den Einstieg auf eigener Hardware

Die veröffentlichten Varianten haben rund 5, 28, 123 und 209 Millionen Parameter. Das offizielle Repository enthält den Code für die Ausführung auf CPU oder GPU. Nach dem Herunterladen lassen sich Modelle auch aus einem lokalen Speicher laden. Die Einrichtung erfolgt über Python; ein fertiger Unternehmensprozess entsteht daraus erst durch Datenanbindung, Tests und Betrieb.

Mistral nennt für einen Serverprozessor mit acht Threads 10 Millisekunden beim kleinsten und 140 Millisekunden beim größten Modell. Die Messung betrifft eine Tagesprognose aus drei Wochen Historie in 15-Minuten-Abständen. Ein konkretes CPU-Modell nennt die Mitteilung nicht. Diese Herstellerwerte lassen sich deshalb nicht als Zusage für einen beliebigen Bürorechner verwenden.

Die Lizenz unterscheidet Code und Modellgewichte

Der Programmcode steht unter Apache 2.0. Für die Modellgewichte gilt eine Modified-MIT-Lizenz mit einer wichtigen Einschränkung: Lag der weltweite konsolidierte Umsatz des Unternehmens beziehungsweise Arbeitgebers im vorangegangenen Monat über 20 Millionen US-Dollar, gewährt diese Lizenz keine Nutzungsrechte. Für diesen Fall verweist Mistral auf eine gesonderte kommerzielle Lizenz.

Vor einem betrieblichen Test gehört daher die Prüfung der konkret geltenden Lizenzbedingungen zur Vorbereitung. Zusätzlich fallen Aufwand für Datenaufbereitung, technische Einbindung und Betreuung an.

Mit einem Rücktest lässt sich der Nutzen prüfen

Für einen ersten Versuch würde ich eine klar abgegrenzte Frage wählen, etwa die Nachfrage eines Produkts für die nächste Woche. Das Ergebnis muss eine Entscheidung verbessern, die heute schon getroffen wird. Ein sinnvoller Prüfablauf:

1. Daten prüfen: Sind Zeitabstände einheitlich? Fehlen Messwerte? Haben sich Produkt, Messverfahren oder Buchungslogik geändert? Eine saubere Datenaufbereitung schafft die Grundlage für einen aussagekräftigen Vergleich.

2. Vergangenheit nachspielen: Einen späteren Zeitraum zurückhalten und nur mit den damals verfügbaren Informationen prognostizieren. Tatsächliche spätere Verkäufe dürfen nicht als Eingabe in den Test gelangen.

3. Mit der bisherigen Methode vergleichen: Timestral gegen die aktuelle Planung und eine einfache Referenz antreten lassen, zum Beispiel den Wert der Vorwoche. Mehrere Zeitabschnitte prüfen, auch ungewöhnliche Wochen.

4. Fehler wirtschaftlich bewerten: Zu viel Bestand und fehlende Ware verursachen unterschiedliche Kosten. Neben dem mittleren Prognosefehler zählt deshalb, welche Fehlentscheidung vermieden wird.

5. Verantwortung festlegen: Wer prüft auffällige Ergebnisse, genehmigt Bestellungen und überwacht, ob sich die Daten verändern? Erst nach diesem Test über eine Automatisierung entscheiden.

Die veröffentlichten Benchmarks sind ein Ausgangspunkt

Mistral meldet für Timestral-209M Spitzenplätze unter vortrainierten Zero-ShotEin vortrainiertes Modell wird für eine neue Aufgabe eingesetzt, ohne es dafür zusätzlich zu trainieren. Die Qualität für diese Aufgabe muss trotzdem geprüft werden.-Modellen auf GIFT-Eval, TIME und fev-bench. Das sind Anbieterergebnisse. Ein ausführlicher technischer Bericht ist laut Veröffentlichung noch angekündigt.

Für die eigene Auswahl lässt sich bereits mit dem verfügbaren Code arbeiten. Ein dokumentierter Rücktest mit einer bestehenden Vergleichsmethode zeigt, ob eine Variante die konkrete Planungsaufgabe verbessert. Das wäre für mich der nächste Schritt vor einer Integration in den laufenden Betrieb.