AI-verktøy6. september 2026

TimesFM 3: En liten prognosemodell med store, raske bruksområder

Google Research har lansert TimesFM 3, en tidsseriemodell på 330 millioner parametere. Den kan lage zero-shot-prognoser direkte fra historiske data og er særlig interessant når vær, markeder eller industrisensorer må gjøres om til raske, testbare signaler.

Lokal arbeidsstasjon med prognoser for vær, markedsutvikling og industrielle sensorer

Nyheten kort fortalt

Google Research har presentert TimesFM 3, en forhåndstrent modell for tidsserier på 330 millioner parametere — 0,33 milliarder, ikke 330 milliarder. Den er laget for å anslå hva som kan skje videre i data som utvikler seg over tid: værmålinger, strømforbruk, ordre, sensorer, markedsdata eller maskinverdier. [1]

Det interessante er zero-shot. I stedet for å trene en egen modell på nytt for hver oppgave, kan man gi TimesFM 3 en ryddig historikk og be om en første prognose direkte. For mange kan det kutte tiden fra «vi har data» til «vi har noe vi kan teste» betydelig.

TimesFM 3 er ikke en spåkule. Den er en rask måte å få et testbart anslag fra historiske data — med usikkerhet, sammenhenger og feilmåling som en del av jobben.

Hvor kan den gi verdi raskt?

Den mest åpenbare verdien er når en virksomhet allerede har tidsstemplete data, men bruker dem mest til rapportering i etterkant. TimesFM 3 kan gi et anslag på det neste døgnet, neste uken eller neste planperiode uten at teamet først må bygge en spesialmodell.

Område	Et naturlig zero-shot-scenario	Hva prognosen kan brukes til — og ikke brukes til
Vær og energi	Se forventet temperatur, last eller energiforbruk ut fra historikk og kjente vær- eller driftsforhold.	Forberede kapasitet og kontrollere avvik — ikke erstatte offisielle værvarsel eller sikkerhetsprosedyrer.
Markedsdata	Lage kortsiktige scenarier for volum, omsetning eller annen tidsseriedata.	Teste sammenhenger og risikoscenarier — ikke gi kjøps- eller salgsråd om aksjer.
Industri og IoT	Forutsi normalt nivå for vibrasjon, temperatur, energi eller gjennomstrømning i neste skift eller døgn.	Peke ut avvik som bør undersøkes — ikke selv styre maskiner eller sikkerhetskritiske tiltak.
Handel og ERP	Forutsi salg, vareuttak, ordrelinjer eller kapasitetsbehov.	Gi innkjøp og drift et tidligere beslutningssignal — ikke automatisere innkjøp eller endre kundeløfter uten kontroll.

Modellen kan også bruke flere serier i samme prognose, samt legge inn signaler som var kjent både bakover og fremover. I Googles detaljhandelseksempel brukes historisk salg sammen med planlagte kampanjer og andre kjente forhold for å anslå etterspørselen mer presist. [1]

En liten modell — sammenlignet med de store språkmodellene

330 millioner parametere er fortsatt betydelig programvare, men langt mer avgrenset enn de største generelle språkmodellene. TimesFM 3 er laget for ett problem: å behandle tidsserier. Google oppgir at modellen kan beregne en hel prognosehorisont i én kjøring og returnere flere kvantiler, slik at dere ser et sannsynlig spenn fremfor bare ett tall. [1]

Det gjør den interessant for en kort pilot: Ta en serie dere har fasit for, hold tilbake de siste ukene, og se om modellen ville ha gitt bedre beslutningsstøtte enn dagens metode. Det krever ikke at hele virksomheten skal gjennom et strategiprogram først. Det krever én beslutning, én dataserie og en ærlig sammenligning med fasiten.

Kan den kjøres internt når dataene er sensitive?

I teorien er 330 millioner parametere liten nok til at en intern server eller en kraftig PC kan være en realistisk testarena, særlig sammenlignet med svært store språkmodeller. TimesFM-koden er åpen kildekode under Apache-2.0, og de offisielle eksemplene viser lokal kjøring med PyTorch og CUDA. [2]

Det kan være relevant når driftsdata, sensorhistorikk, priser eller interne ERP-uttrekk er for sensitive til at dere ønsker å sende dem til en ekstern tjeneste. Men lokal kjøring er ikke en automatisk personvern- eller sikkerhetsgaranti. Dere må fortsatt styre hvem som har tilgang til data, maskinen, modellfilene, loggene og resultatene — og ha kontroll på oppdateringer, backup og nettverkstilgang.

Det viktigste for kommersiell bruk er lisensen: TimesFM 3-kildekoden er åpen, men de forhåndstrente vektene er ved publisering distribuert under en separat, ikke-kommersiell lisens. Google Research oppgir at standardvektene ikke er tillatt brukt kommersielt eller i produksjon. [2] [3] En lokal installasjon gir altså ikke i seg selv rett til produksjonsbruk. Sjekk gjeldende vilkår og alternativ kommersiell distribusjon før en pilot flyttes inn i drift.

Det viktigste nå

TimesFM 3 er en nyhet verdt å følge fordi den kan gjøre tidsserieprognoser mer tilgjengelige på kort tid. Start ikke med «kan modellen styre alt?» Start med «hvilken gjentakende beslutning blir litt bedre hvis vi får et sannsynlig varsel tidligere?»

En produksjonsbedrift kan teste om sensormønstre fanger avvik tidligere. En handel- eller ERP-funksjon kan teste om vareuttak eller ordrevolum blir mer forutsigbart. Et analyseteam kan undersøke om vær eller markedsbevegelser gir et bedre kapasitets- eller risikobilde. Hver pilot må måles, begrenses og ha en menneskelig eier — men terskelen fra data til første forsøk er blitt lavere.

For en mer praktisk gjennomgang av IoT, shoppingdata og ERP, se TimesFM 3-guiden. Når datainnsamlingen starter med kamera, kan AI Vision og YOLO26 være et relevant neste steg før målingene blir til en tidsserie.