Prévoir vos commandes et votre charge avec Kumo Forecast, intégré à vos outils.

Un modèle de prévision ouvert, prêt à apprendre vos données.

Kumo Forecast, anciennement NV-Tesseract Forecasting, prolonge des séries de valeurs dans le futur : un volume de commandes, des heures de charge, une consommation, une mesure de capteur. Il sait lire plusieurs séries liées à la fois, par exemple les commandes de trois familles de produits, au lieu de les traiter une par une.

Il repose sur MOMENT-1-large, un modèle de fondation pour les séries temporelles déjà entraîné sur un grand nombre de données. Sa partie principale, environ 340 millions de paramètres, reste figée ; seule la dernière couche, celle qui produit la prévision, est entraînée sur vos données. C’est ce qui rend l’ajustement léger.

Surtout, la licence est simple : Apache 2.0, sans plafond de chiffre d’affaires. Vous pouvez l’utiliser dans votre entreprise, l’ajuster et l’intégrer à vos outils sans redevance.

Vos historiques savent déjà beaucoup de choses.

La plupart des PME ont des années de données datées, dans un ERP, un tableur, une supervision ou un simple export. Elles servent à faire des bilans ; elles peuvent aussi servir à anticiper. Quelques questions auxquelles un modèle comme Kumo Forecast peut aider à répondre :

• « Combien de commandes la semaine prochaine, par famille de produits ? »Pour préparer les approvisionnements, l’équipe et les priorités avant que le pic n’arrive.
• « Quelle charge sur chaque poste le mois prochain ? »Pour repérer un goulot d’étranglement à temps, décider d’heures supplémentaires ou d’un renfort.
• « Quelle consommation d’énergie demain ? »Pour lisser les pointes et préparer les achats d’électricité ou de gaz.
• « Les délais de ce fournisseur sont-ils en train de s’allonger ? »Pour anticiper un retard plutôt que de le constater à la réception.
• « Cet équipement s’éloigne-t-il de son comportement habituel ? »NVIDIA associe d’ailleurs Kumo Forecast à son modèle de détection d’anomalies pour la maintenance prédictive en usine.

Pour l’ajuster, NVIDIA fournit un exemple prêt à l’emploi : un fichier CSV avec une colonne de dates et vos colonnes de valeurs, et une commande. Pas besoin d’une équipe de data scientists pour obtenir un premier modèle adapté à vos données.

# Ajuster Kumo Forecast sur un historique de commandes
uv run python examples/finetune_example.py \
  --csv commandes_par_jour.csv \
  --timestamp-col date \
  --target-cols famille_a,famille_b,famille_c \
  --seq-len 512 \
  --forecast-horizon 28 \
  --epochs 5 \
  --output-dir artifacts/commandes

# Résultat : best_model.pt, metrics.json et les paramètres de normalisation

Il cherche dans votre passé les semaines qui ressemblent.

C’est l’idée la plus parlante de Kumo Forecast pour une entreprise. En mode DARR, le modèle ne se contente pas de prolonger la courbe : il parcourt l’historique que vous lui fournissez, retrouve les périodes qui ressemblent le plus à la situation actuelle, puis combine ce qu’il en apprend avec sa prévision directe.

C’est ce que fait déjà un responsable expérimenté : « la dernière fois que les commandes ont démarré comme ça, c’était avant l’inventaire de fin d’année ». Le modèle applique ce raisonnement de façon systématique, sur des années de données et sur toutes vos séries.

La part donnée à chaque approche se règle. NVIDIA recommande de comparer la prévision directe et le mode DARR sur les mêmes périodes de test : c’est exactement ce que l’on fait dans un pilote.

Une prévision que votre équipe peut comprendre.

Une prévision que personne ne comprend finit rarement utilisée. Kumo Forecast est accompagné d’un outil d’explication qui, pour chaque horizon, indique quels moments du passé ont le plus pesé dans le résultat. Quand plusieurs séries sont lues ensemble, il montre aussi laquelle a compté.

Concrètement, l’outil produit une carte de chaleur, des fichiers CSV et JSON et un rapport PDF. Ce sont des éléments que l’on peut afficher dans un tableau de bord, à côté de la prévision : « la hausse prévue dans trois semaines s’appuie surtout sur la même période l’an dernier ». L’équipe peut alors juger si l’explication tient, et garder la main sur la décision.

Ce que j’intègre chez vous.

Le modèle n’est qu’une pièce. Pour qu’une prévision serve chaque semaine, il faut aller chercher les données, les préparer, faire tourner le modèle, vérifier ce qu’il produit et mettre le résultat sous les yeux de la bonne personne. C’est ce travail d’intégration qu’Atelier Mont prend en charge, de bout en bout :

Votre logiciel actuel n’a pas à changer. Le service de prévision est écrit en Python et expose une interface simple ; vos outils, qu’ils soient écrits en PHP, en JavaScript ou qu’il s’agisse d’un ERP du marché, récupèrent les prévisions par une API ou un fichier. Les données restent sur votre infrastructure ou chez l’hébergeur de votre choix.

• Un seul interlocuteur.Le même développeur cadre la question, écrit les connecteurs, intègre le modèle et construit l’écran que votre équipe utilisera.
• Une mesure avant l’investissement.Le pilote se juge sur vos chiffres. Le matériel et l’intégration complète viennent après, si le résultat le justifie.
• Une solution que vous gardez.Modèle ouvert, code livré, version figée et documentée : pas d’abonnement à un service de prévision, pas de dépendance cachée.

Un pilote sur une question, jugé sur vos chiffres.

Un pilote commence par une seule question et l’historique qui va avec. On se place à une date passée, on cache les semaines suivantes au modèle, on lui demande une prévision, puis on compare avec ce qui s’est réellement produit. Et surtout, on compare avec un modèle de base tout simple, comme « la même semaine l’an dernier ».

1. Choisir la question. Une décision précise, une personne qui s’en servira, un horizon utile : la semaine, le mois, le trimestre.
2. Réunir l’historique. J’extrais les données de vos outils et je vérifie avec vous ce qu’elles racontent : changements de gamme, ruptures, périodes atypiques.
3. Tester sur le passé. Prévision directe, mode DARR et modèle de base, sur les mêmes périodes cachées, en mesurant l’écart moyen de chacun.
4. Décider sur pièces. Vous recevez les résultats, les prévisions expliquées et une recommandation claire : intégrer, ajuster ou s’arrêter là.

Ce qu’il faut savoir avant de se lancer.

Aucun chiffre de performance publié

NVIDIA cite les jeux de données utilisés pour son évaluation, mais ne publie aucun résultat chiffré. C’est une raison de plus pour tester sur vos données avant d’investir, et c’est le rôle du pilote.

Des données numériques, en fenêtres fixes

Le modèle lit uniquement des valeurs numériques datées, sur une fenêtre de 256, 512, 1 024 ou 2 048 points. Le choix du pas de temps compte : 2 048 jours couvrent plus de cinq ans, mais 2 048 heures moins de trois mois. À l’inverse, trois ans de données hebdomadaires ne font que 156 points, moins que la plus petite fenêtre : il faut alors passer au jour, ou vérifier comment l’outil complète une série plus courte. C’est un des points tranchés lors de la préparation des données.

Une carte graphique à prévoir

NVIDIA documente le modèle sur ses cartes de génération Ampere et Hopper, et l’a testé sur des serveurs de calcul A100 et H100. Aucune configuration minimale n’est publiée. Pour un modèle de cette taille, une seule carte devrait suffire à un volume de PME, mais c’est à confirmer par un essai. Pour le pilote, une machine louée à l’heure évite d’acheter du matériel.

Un modèle tout juste publié

Kumo Forecast vient de sortir. Dans une intégration, je fige la version utilisée et je conserve chaque prévision, pour que les résultats restent comparables d’un mois à l’autre et que les mises à jour se décident, pas qu’elles s’imposent.

Kumo Forecast ou Timestral ?

Une semaine plus tôt, Mistral publiait Timestral, un autre modèle ouvert de prévision, que j’ai décrypté ici. Les deux ne mettent pas en avant les mêmes atouts :

• La licence.Kumo Forecast est sous Apache 2.0, sans condition de taille. Les poids de Timestral sont sous une licence MIT modifiée, qui ne s’applique plus au-delà d’un certain chiffre d’affaires.
• Le matériel.Timestral tourne sur le processeur d’un serveur, sans carte graphique. Kumo Forecast est documenté sur des cartes graphiques NVIDIA.
• Ce qu’ils apportent.Timestral fournit une marge d’incertitude et tient compte du planning connu à l’avance. Kumo Forecast s’appuie sur les situations passées et explique ses prévisions.

Le bon choix ne se décide pas sur une fiche technique, mais sur vos données. Dans un pilote, je peux tester les deux sur le même historique, avec le même modèle de base, et vous montrer lequel fait réellement mieux.