Banebrydende model fra Google

Google har netop løftet sløret for TimesFM-2.5 – en ny grundmodel til tidsserieprognoser, der sætter helt nye standarder for både effektivitet og præcision. Modellen er ikke bare mindre og hurtigere end sin forgænger, men har også indtaget førstepladsen på det anerkendte GIFT-Eval-leaderboard for zero-shot forecasting. Det er et markant skridt fremad for virksomheder, der arbejder med store mængder data og har brug for pålidelige forudsigelser i realtid.

For mange danske virksomheder kan det være svært at følge med i den hastige udvikling inden for AI og dataanalyse. Med TimesFM-2.5 bliver det langt lettere at udnytte avanceret teknologi uden at skulle investere i dyre specialister eller store IT-projekter. Det er især relevant for små og mellemstore virksomheder, hvor både tid og budget er under pres.

Hvad er tidsserieprognoser – og hvorfor er det vigtigt?

Tidsserieprognoser handler om at analysere data, der er indsamlet over tid, for at kunne forudsige fremtidige udviklinger. Det kan være alt fra salgstal og energiforbrug til lagerbeholdning og trafikmønstre. Mange brancher – fra detailhandel til energi og logistik – er dybt afhængige af præcise forudsigelser for at kunne træffe de rigtige beslutninger i rette tid.

Med en stærk model til tidsserieprognoser kan virksomheder optimere lagerstyring, planlægge bemanding og forudsige efterspørgsel. Det giver ikke kun bedre bundlinje, men også en mere fleksibel og robust forretning. Her har TimesFM-2.5 potentiale til at gøre en reel forskel for mange danske virksomheder.

Hvad gør TimesFM-2.5 anderledes?

Den nye model fra Google er bygget op med 200 millioner parametre – kun halvt så mange som forgængeren. Alligevel præsterer den bedre på tværs af flere nøgletal. Det skyldes blandt andet, at modellen nu kan håndtere hele 16.000 datapunkter i én omgang. Det betyder, at den kan tage højde for langt mere historik og dermed give mere nuancerede og stabile forudsigelser.

En anden vigtig forbedring er, at modellen understøtter probabilistiske forudsigelser. Det gør det muligt at arbejde med sandsynligheder og usikkerhed, hvilket er afgørende i virkelighedens verden, hvor data sjældent er sort-hvide. For virksomheder betyder det, at man kan tage bedre højde for udsving og risici i planlægningen.

Tekniske nyheder uden at blive teknisk

For de fleste virksomheder er det ikke afgørende, hvor mange parametre en model har, eller hvordan den er bygget op. Det vigtige er, hvad den kan bruges til, og hvor let det er at komme i gang. TimesFM-2.5 kræver ikke længere, at man angiver datafrekvens, og den har fået flere smarte indstillinger, som gør det lettere at tilpasse modellen til forskellige behov.

Google har desuden gjort modellen tilgængelig på Hugging Face, så alle kan prøve den af uden at skulle bygge alt op fra bunden. Det gør det nemt for både udviklere og forretningsfolk at eksperimentere og finde ud af, hvordan modellen kan skabe værdi i deres virksomhed.

Hvorfor betyder længere kontekst noget?

Med mulighed for at analysere 16.000 historiske datapunkter i én omgang kan TimesFM-2.5 identificere mønstre, der ellers ville gå tabt. Det kan være sæsonudsving, pludselige ændringer i markedet eller langsigtede trends. For virksomheder, der arbejder med komplekse datasæt, betyder det færre manuelle tilpasninger og mere stabile prognoser.

Det er især relevant for brancher som energi, hvor forbruget kan svinge meget over tid, eller detailhandel, hvor efterspørgslen ofte følger bestemte mønstre. Her kan en længere kontekst gøre forskellen mellem at ramme rigtigt eller forkert i planlægningen.

Benchmark og produktion: Klar til virkeligheden

TimesFM-2.5 har ikke bare klaret sig godt i laboratoriet – den ligger nu nummer ét på GIFT-Eval, som er branchens førende benchmark for zero-shot tidsserieprognoser. Det gælder både for punktpræcision (MASE) og probabilistisk præcision (CRPS). Det viser, at modellen er klar til at blive brugt i praksis og ikke kun er en teoretisk øvelse.

For virksomheder betyder det, at man kan stole på modellens forudsigelser, også når man ikke har mulighed for at finjustere den til egne data. Det gør det muligt at komme hurtigt i gang og høste gevinsterne uden langvarige udviklingsprojekter.

Konkrete anvendelser for danske virksomheder

Hos Snilld ser vi et stort potentiale for at bruge TimesFM-2.5 i alt fra lagerstyring og salgsprognoser til energiplanlægning og transportoptimering. Modellen kan integreres i eksisterende systemer, så man får mere ud af de data, man allerede har. Det kan for eksempel være ved at automatisere indkøb, optimere bemanding eller forudsige vedligeholdelsesbehov.

Vi har allerede hjulpet flere kunder med at implementere lignende løsninger, hvor AI-modeller analyserer store mængder historiske data og leverer brugbare forudsigelser direkte til beslutningstagerne. Det har givet både besparelser og bedre styring i hverdagen.

Hvad siger skeptikerne?

Nogle vil måske mene, at endnu en AI-model ikke gør den store forskel, eller at det hele er for teknisk til at få værdi ud af. Men erfaringen viser, at når teknologien bliver lettere at bruge og mere præcis, så følger resultaterne hurtigt med. Det handler ikke om at forstå alle detaljer, men om at kunne stole på, at værktøjet virker.

Andre vil pege på, at AI-modeller ofte kræver store datamængder og specialviden. Her er det værd at bemærke, at TimesFM-2.5 netop er designet til at fungere i mange forskellige situationer – også hvor data ikke er perfekte eller fuldstændige.

Konkurrenternes vinkel

Andre udbydere vil sandsynligvis fremhæve deres egne modeller og platforme, måske med fokus på specialiserede løsninger eller endnu større modeller. Men udviklingen går i retning af mere effektive og tilgængelige værktøjer, hvor det ikke længere er størrelsen, men anvendeligheden, der tæller. Her har Google sat en ny standard, som andre må forholde sig til.

Det er også værd at bemærke, at open source og bred tilgængelighed vinder frem. Det gør det lettere for virksomheder at teste og sammenligne forskellige løsninger, før man vælger den rette.

Sådan kommer du i gang – og hvad kan Snilld hjælpe med?

For virksomheder, der vil prøve TimesFM-2.5 af, er det oplagt at starte med et pilotprojekt. Det kan være et afgrænset område, hvor man hurtigt kan måle effekten af bedre forudsigelser. Hos Snilld hjælper vi gerne med at vurdere, hvor det giver mest mening at sætte ind, og hvordan man får mest ud af modellen i praksis.

Vi tilbyder både rådgivning om valg af model, integration i eksisterende systemer og løbende support, så man undgår de klassiske faldgruber. Det handler om at gøre AI til et konkret værktøj, der skaber værdi fra dag ét.

Fremtiden for tidsserieprognoser

Med TimesFM-2.5 er grundmodeller til tidsserieprognoser rykket fra laboratoriet og ud i virkeligheden. Det betyder, at flere virksomheder kan få glæde af avanceret AI uden at skulle opfinde den dybe tallerken selv. Udviklingen går hurtigt, og vi forventer, at endnu flere opgaver kan automatiseres og optimeres i de kommende år.

Hos Snilld følger vi udviklingen tæt og hjælper vores kunder med at udnytte de nyeste muligheder. Det handler ikke om at være først med det nyeste, men om at vælge de løsninger, der giver mest værdi her og nu.

Konklusion: Et skridt nærmere AI i hverdagen

Google TimesFM-2.5 markerer et vigtigt skridt i retning af mere tilgængelig og effektiv AI til tidsserieprognoser. For danske virksomheder er det en oplagt mulighed for at styrke beslutningsgrundlaget og optimere driften med et værktøj, der er både kraftfuldt og let at komme i gang med.

Vil du høre mere om, hvordan din virksomhed kan få glæde af de nyeste AI-modeller til tidsserieprognoser? Kontakt Snilld for en uforpligtende snak om mulighederne. Vi står klar til at hjælpe dig videre – uanset hvor langt du er på rejsen mod en mere datadrevet hverdag.

Kilder:

• https://www.marktechpost.com/2025/09/16/google-ai-ships-timesfm-2-5-smaller-longer-context-foundation-model-that-now-leads-gift-eval-zero-shot-forecasting/
• https://github.com/google-research/timesfm
• https://arxiv.org/abs/2410.10393
• https://x.com/ymatias/status/1967693681659711549

Målgruppens mening om artiklen

Anders, IT-chef i mellemstor produktionsvirksomhed:

Jeg giver artiklen 85. Den er meget relevant, fordi vi arbejder med store mængder data og har brug for bedre prognoser. Det er især interessant, at modellen er tilgængelig på Hugging Face og ikke kræver så meget opsætning. Jeg kunne dog godt have ønsket mig flere konkrete eksempler på implementering i danske virksomheder.

Sofie, CFO i detailhandelskæde:

Jeg giver artiklen 70. Den forklarer godt, hvorfor tidsserieprognoser er vigtige, og hvordan TimesFM-2.5 kan bruges, men jeg savner lidt mere om de økonomiske gevinster og risici. Det tekniske niveau er passende for mig, men jeg ville gerne have set flere cases fra detailbranchen.

Jonas, Data Scientist i energiselskab:

Jeg giver artiklen 90. Det er spændende med en model, der både er mindre og mere præcis, og det med probabilistiske forudsigelser er et stort plus. Jeg synes, artiklen balancerer det tekniske og det forretningsmæssige fint, men jeg kunne godt have brugt lidt flere tekniske detaljer.

Maria, CEO i mindre logistikfirma:

Jeg giver artiklen 75. Den er let at forstå og gør det klart, hvorfor denne type AI kan gøre en forskel for virksomheder som min. Jeg savner dog mere konkret vejledning til, hvordan man kommer i gang, og hvad det koster i praksis.

Mikkel, IT-konsulent med fokus på SMV’er:

Jeg giver artiklen 80. Den rammer plet ift. at gøre teknologien tilgængelig for mindre virksomheder. Jeg synes, det er stærkt, at Google har gjort modellen open source, men artiklen kunne godt have nævnt nogle af de udfordringer, man kan støde på under implementeringen.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.