Segun MarkTechPost (AI/ML News), Google Research ha presentado TimesFM-3, un modelo de base de 330 millones de parámetros diseñado para predecir múltiples series temporales relacionadas en una sola pasada. Este avance marca una evolución clave respecto a versiones anteriores del modelo, donde cada versión hasta el 2.5 se limitaba a predecir una sola serie a partir de su historia pasada. En contraste, TimesFM-3 está entrenado nativamente para tareas multivariadas, utilizando más de un trillón de puntos temporales, tanto reales como sintéticos, para aprender relaciones entre variables como ventas, clima, movimientos de personas y promociones.
El modelo no requiere ajuste específico para cada tarea, operando en modo cero-shot. Esto significa que puede procesar distintos escenarios —como ventas de helados en relación con el tráfico de personas, temperaturas o eventos festivos— sin necesidad de entrenamiento adicional. Su arquitectura se basa en un transformador solo decodificador, donde los puntos temporales contiguos se agrupan en bloques llamados "patches", seguidos de dos tipos de atención que permiten capturar dependencias complejas entre variables. Los resultados de TimesFM-3 se posicionan en el top de los modelos preentrenados en pruebas como GIFT-Eval, fev-bench y el leaderboard TIME, tanto en métricas de puntos como en probabilidades.
A pesar de su potencia, el modelo tiene restricciones de uso. Los pesos del TimesFM-3 están bajo una licencia no comercial v1.0, prohibiendo su implementación en entornos de producción o servicios comerciales. Aunque el código está bajo licencia Apache-2.0, su uso en aplicaciones de negocio, como sistemas de predicción de ventas en tiempo real, queda fuera de la permitida. Esto impide su integración directa en APIs comerciales, limitando su utilidad en entornos operativos.
Para los peruanos, este avance representa una herramienta de alto potencial en sectores clave como el retail, la logística o la planificación de recursos. Muchas empresas locales enfrentan problemas de predicción donde múltiples factores —como las condiciones climáticas, la demanda de productos o las actividades de promoción— influyen simultáneamente en resultados. Aunque el modelo no está disponible para uso comercial, su existencia abre camino a investigaciones en entornos académicos y de innovación, donde pueden ser replicadas versiones adaptadas. Esto podría impulsar el desarrollo de soluciones más precisas para prever movimientos de mercado, optimizar inventarios o planificar estrategias comerciales en contextos reales. El futuro del análisis predictivo en Perú podría estar ligado a la capacidad de convertir estos avances técnicos en herramientas accesibles y éticas para pequeñas y medianas empresas.