Mistral ne réserve pas toute son attention aux assistants qui rédigent ou programment. Présentée le 15 octobre, sa famille Timestral sert à prévoir l’évolution de données dans le temps : mesures de capteurs, volumes ou besoins de capacité. Ses quatre modèles peuvent fonctionner sur processeur, sans carte graphique obligatoire. Un atout matériel concret pour les équipes qui veulent exploiter leurs propres historiques.
L’IA peut analyser ensemble plusieurs mesures liées
Un historique de température, une suite de relevés de consommation ou des volumes enregistrés chaque jour forment des séries temporelles. Leur intérêt est de préparer une décision : combien de capacité prévoir, quand surveiller une machine, quelle marge garder face à une variation possible.
Dans son annonce officielle, Mistral décrit des prévisions probabilistes et multivariées. Le premier terme signifie que le modèle ne fournit pas seulement une valeur attendue, mais plusieurs niveaux possibles pour rendre l’incertitude visible. Le second indique qu’il peut analyser ensemble des séries liées, plutôt que traiter chaque mesure comme si elle était indépendante.
Cette approche permet aussi de tenir compte d’informations connues à l’avance, comme un calendrier de production ou un arrêt planifié. Une hausse attendue n’a alors pas à être interprétée comme une anomalie. À l’équipe métier de sélectionner les informations qui ont réellement un rapport avec la prévision.
Les quatre modèles peuvent fonctionner sans carte graphique
La gamme comprend des versions de 5, 28, 123 et 209 millions de paramètres. Mistral met en avant un compromis entre qualité des prévisions et vitesse de calcul. Les performances publiées sont celles de ses évaluations ; elles ne constituent pas une mesure de précision sur les fichiers d’une entreprise française.
Le dépôt officiel fournit un programme d’inférence autonome utilisable sur CPU ou GPU. Les poids de la version 209M représentent 837 Mo en précision FP32, contre 21 Mo pour la version 5M. Ces tailles concernent les fichiers du modèle ; la mémoire nécessaire à son exécution comprend aussi le logiciel et les données traitées.
Pouvoir se passer de GPU allège l’équipement nécessaire. L’intégration reste technique : Timestral se manipule avec un environnement Python et des tableaux de données, pas avec un simple champ de conversation destiné à tous les utilisateurs.
Une prévision de stock se teste d’abord sur vos anciens chiffres
Mistral met en avant la première place du modèle 209M sur trois benchmarks, dans la catégorie des modèles préentraînés utilisés sans adaptation au jeu de données. Pour une équipe métier, le test décisif reste pourtant plus proche du terrain : comparer les prévisions sur une période passée dont les résultats sont déjà connus.
Par exemple, anticiper un besoin de stock peut justifier de garder une marge pour éviter une rupture ; prévoir trop large peut aussi immobiliser des ressources. Le bon niveau de prudence dépend de ce que coûte l’erreur, pas seulement d’un classement général. Cette évaluation doit utiliser des données séparées de celles qui servent à préparer ou adapter le modèle.
Timestral complète ainsi les modèles de langage de Mistral avec un usage spécialisé. Son intérêt pour une entreprise se vérifiera moins dans une conversation impressionnante que dans une prévision assez fiable pour aider à planifier son activité.
Samuel Le Goff suit l’actualité des smartphones, des systèmes d’exploitation mobiles et de l’intelligence artificielle depuis plus de 14 ans. Il couvre notamment Samsung, Xiaomi, Apple, Android, iOS et les grandes tendances du numérique.
