Prévision zero-shot (modèle de fondation de séries temporelles)
Prédire la suite d'une série de chiffres dans le temps (ventes, trafic, consommation) avec un modèle qui n'a jamais vu cette série. « Zero-shot » veut dire zéro exemple d'entraînement sur tes données : le modèle a été entraîné une fois, par son éditeur, sur des milliards de points issus de séries publiques très variées, et il reconnaît dans la tienne des formes qu'il connaît déjà (saison, tendance, cycle hebdomadaire, pic de fin de mois). C'est le même renversement que les grands modèles de langage ont apporté au texte, appliqué aux courbes : un modèle généraliste, utilisable tel quel, à la place d'un modèle entraîné par série. Avant, prévoir une courbe suivait la méthode montrée dans [Instagram reel DfKIC1blIot](https://www.instagram.com/reel/DfKIC1blIot/) : choisir une architecture, écrire un `train.py`, louer une carte graphique, attendre des heures par époque, et recommencer pour chaque nouvelle série ou chaque changement de critère. Un modèle de fondation de séries temporelles saute cette étape. Il rend en général une médiane et plusieurs quantiles, donc une fourchette d'incertitude, et peut tenir compte de variables connues à l'avance (jours fériés, prix, météo). TimesFM de Google est le plus accessible pour un non-développeur, parce qu'il est branché dans BigQuery ML et Google Sheets ; Chronos (Amazon) et Moirai (Salesforce) sont du même genre.
Forces
- Zéro entraînement, zéro carte graphique à louer : la série en entrée, la prévision et sa fourchette en sortie
- Un seul modèle pour des dizaines de séries différentes, là où il fallait un modèle par série
Limites
- Prolonge des formes apprises : aveugle à une rupture propre à ton activité, qu'il prédit quand même avec assurance
- Exige une série propre et régulière ; des trous ou un pas variable donnent une prévision qui a l'air sérieuse et ne vaut rien
Pour qui
- Comprendre pourquoi un outil de prévision « sans entraînement » peut marcher, et où il s'arrête