Il nuovo modello di AI di Google TimesFM-3 può prevedere vendite, domanda e trend futuri

Prevedere quante persone acquisteranno un prodotto la prossima settimana, quanto aumenterà la domanda durante una promozione o quale effetto potrà avere il meteo sulle vendite è un problema che interessa moltissime aziende. Google Research prova a dare una risposta con TimesFM-3, nuova generazione del proprio modello dedicato alle serie temporali. Non si tratta di una macchina capace di conoscere realmente il futuro, ma di un sistema che analizza grandi quantità di informazioni e cerca di individuare schemi utili per formulare previsioni. La novità è stata annunciata il 31 agosto 2026 e amplia notevolmente le capacità delle precedenti versioni di TimesFM.

Fino a TimesFM-2.5 il modello lavorava principalmente osservando l'andamento storico di una singola serie, ma adesso TimesFM-3 introduce il forecasting multivariato, cioè la possibilità di studiare contemporaneamente più fenomeni che possono influenzarsi tra loro. Per stimare le future vendite di gelato, per esempio, non deve considerare soltanto quante confezioni sono state vendute in passato, ma può incrociare questi numeri con l'affluenza nei negozi, le vendite di prodotti collegati, le festività, le promozioni programmate e le previsioni meteorologiche. Il risultato dovrebbe essere una stima più vicina a quello che potrebbe realmente accadere.

La vera particolarità di TimesFM-3 è la possibilità di combinare i dati storici con eventi futuri già conosciuti. Se un'azienda sa che tra dieci giorni partirà una promozione, il modello può analizzare quello che è successo durante iniziative simili e inserire questo fattore nella previsione, tanto per dare un’idea, nell'esempio pubblicato da Google, il sistema riesce a prevedere un aumento delle vendite di gelato di circa il 20% nelle giornate interessate dalla promozione. Lo stesso principio può essere applicato alle festività o alle previsioni meteo già disponibili, creando scenari molto più articolati rispetto a quelli ottenibili osservando soltanto i dati del passato.

TimesFM-3 dispone di 330 milioni di parametri ed è stato pre-addestrato utilizzando dati reali e sintetici per oltre un trilione di punti temporali. Una delle caratteristiche più interessanti è il funzionamento zero-shot: il modello può affrontare nuove serie temporali senza richiedere necessariamente un addestramento specifico per ogni singolo problema. Google sostiene inoltre che TimesFM-3 abbia ottenuto risultati di vertice nei benchmark pubblici Gift-Eval, FEV-Bench e Time, sia nelle previsioni tradizionali sia in quelle probabilistiche. Il modello è già disponibile attraverso GitHub e Hugging Face, mentre è prevista anche l'integrazione con BigQuery.

Il retail è probabilmente l'esempio più immediato, ma questa tecnologia potrebbe essere utilizzata in molti altri settori. Google cita finanza, industria, sanità, scienze naturali e monitoraggio dei sistemi informatici tra gli ambiti nei quali i foundation model dedicati alle serie temporali stanno già trovando applicazione. Un'azienda potrebbe stimare la domanda futura e organizzare meglio il magazzino, mentre una fabbrica potrebbe analizzare diversi segnali provenienti dai macchinari per anticipare variazioni nella produzione. È un'altra dimostrazione di come l' Intelligenza Artificiale stia andando oltre chatbot e generazione di immagini, diventando sempre più uno strumento per analizzare enormi quantità di informazioni e prendere decisioni.

Il riferimento alle condizioni atmosferiche può creare qualche equivoco. TimesFM-3 non sostituisce i modelli meteorologici di Google come WeatherNext e non nasce per stabilire direttamente se domani pioverà. Può invece ricevere una previsione meteorologica già disponibile e usarla insieme ad altre informazioni per stimare che cosa potrebbe accadere a un fenomeno collegato. Se sono previste temperature molto elevate, per esempio, questo dato potrebbe contribuire a stimare un aumento della domanda di condizionatori, bevande fredde o gelati. È proprio la capacità di mettere in relazione segnali differenti a rendere TimesFM-3 più interessante rispetto alle generazioni precedenti.

Anche con un sistema molto avanzato resta però impossibile sapere esattamente cosa succederà. TimesFM-3 produce previsioni probabilistiche, indicando possibili risultati e livelli di incertezza invece di presentare ogni stima come una certezza. La qualità finale dipende dai dati forniti, dalle variabili considerate e soprattutto dal fatto che i comportamenti osservati in passato continuino a essere validi. Un evento imprevisto può sempre modificare completamente uno scenario. Più che una sfera di cristallo digitale, quindi, TimesFM-3 è uno strumento per trasformare una quantità molto maggiore di informazioni in previsioni più informate.