TimesFM (Google Research)
Modèle de fondation de Google Research pour les séries temporelles : tu lui donnes un historique (ventes par jour, trafic par heure, demande par semaine) et il prédit la suite sans que tu entraînes quoi que ce soit. C'est la prévision zero-shot : le modèle a appris les formes récurrentes des courbes sur un très grand corpus de séries publiques, il les reconnaît dans la tienne. Il rend une médiane et neuf quantiles (de 0,1 à 0,9), donc une fourchette du pire au meilleur scénario, et accepte des variables extérieures connues à l'avance (fêtes, prix, météo) en covariables. Trois façons d'y accéder. Le dépôt : `pip install timesfm[torch]` (ou `timesfm[mlx]` sur Mac Apple silicon) et les poids sur Hugging Face. BigQuery ML, où la version 3.0 a fini son déploiement en septembre 2026. Et Google Sheets via Connected Sheets, qui passe par BigQuery ML. Attention à la licence, qui a changé avec la version 3.0 d'août 2026 : le code reste Apache 2.0, les poids jusqu'à la 2.5 aussi, mais les poids 3.0 téléchargés sont sous une licence non commerciale ; l'usage commercial de la 3.0 passe par les services Google Cloud autorisés. Vu dans [Instagram reel DfKIC1blIot](https://www.instagram.com/reel/DfKIC1blIot/) (Ghilès Derbal), qui montre l'ancienne méthode à côté : un `train.py` maison sur une A100, trois heures par époque, pour un seul critère.
Forces
- Prévision sans entraînement : un historique en entrée, une suite en sortie, dans l'après-midi
- Médiane plus neuf quantiles, donc une fourchette lisible du pire au meilleur scénario
- Accessible sans coder depuis BigQuery ML et Google Sheets (Connected Sheets), ou en Python depuis le dépôt
Limites
- Les poids 3.0 téléchargés sont sous licence non commerciale ; la voie commerciale passe par Google Cloud, donc par une facture
- Il prolonge des formes apprises : une rupture propre à ton activité (lancement, concurrent, crise) n'est dans aucune d'elles
- Sans série historique propre et régulière (pas de trous, un pas constant), la prévision est du bruit bien présenté
Pour qui
- Un PM ou un responsable qui veut une prévision de ventes ou de trafic avec sa marge d'erreur, sans équipe data
- Une équipe qui a des dizaines de séries à prévoir et ne peut pas entraîner un modèle par série
- Un dev qui veut comparer un modèle de fondation à son modèle maison sur sa propre série, en une journée