Ce que le modèle Timestral de Mistral peut apporter à une usine.

Un modèle qui prolonge des courbes, pas un assistant.

Timestral ne répond pas à des questions et ne rédige pas de texte. Il reçoit l’historique d’une ou plusieurs mesures, comme une température, une pression, une consommation ou un volume de production, et il prolonge ces séries dans le futur.

C’est un modèle de fondation : il a été pré-entraîné sur un très grand nombre de séries, en majorité synthétiques selon Mistral, pour prévoir des données qu’il n’a jamais vues. Il n’est donc pas nécessaire d’entraîner un modèle pour chaque machine avant d’obtenir un premier résultat.

La famille compte quatre tailles, de 5 à 209 millions de paramètres. C’est très peu à l’échelle des modèles de langage : le fichier du plus grand modèle pèse environ 840 Mo.

Une prévision qui dit aussi ce qu’elle ne sait pas.

Beaucoup d’outils de prévision donnent une seule courbe. Timestral produit une prévision probabiliste : pour chaque instant à venir, il calcule 21 niveaux, appelés quantiles, qui décrivent une plage de valeurs plausibles. La médiane donne la valeur centrale ; les quantiles de 5 % et de 95 % encadrent la grande majorité des cas attendus.

Cette marge change la façon de surveiller un équipement. Au lieu d’un seul seuil d’alarme fixe, on peut suivre l’écart entre la mesure et sa plage prévue. Une température qui monte pendant la production est normale ; la même température la nuit, machine à l’arrêt, mérite un regard.

Mistral met en avant cet usage pour la maintenance : des seuils d’alerte qui tiennent compte de l’incertitude, et des interventions planifiées selon le risque. La même logique sert la planification : dimensionner un stock de pièces sur le haut de la plage plutôt que sur la valeur centrale.

Des capteurs lus ensemble, pas un par un.

Sur un équipement, les mesures ne sont pas indépendantes. Mistral prend l’exemple d’une pompe dont la vibration, la température et la pression évoluent ensemble. Timestral peut prévoir plusieurs séries conjointement et s’appuyer sur leurs relations, au lieu de traiter chaque capteur séparément.

C’est utile pour interpréter un écart : une hausse de température qui accompagne une montée en pression n’a pas le même sens qu’une hausse isolée. Le modèle ne pose pas de diagnostic, mais sa prévision tient compte de ce que disent les autres mesures.

Le planning de production devient une information.

Une usine connaît déjà une partie de son futur : les ordres de fabrication, les arrêts programmés, les changements d’équipe, parfois la météo pour les installations qui y sont sensibles. Timestral accepte ces informations connues à l’avance à côté de l’historique des capteurs.

Il accepte aussi des données seulement connues dans le passé, et des catégories comme l’état d’une machine : en marche, à l’arrêt ou en maintenance.

L’intérêt est direct : une hausse de charge inscrite au planning est attendue par le modèle, au lieu d’être signalée comme une surprise. Moins de fausses alertes, c’est aussi plus de chances que les vraies soient lues.

Il tourne sur un serveur de l’usine.

Timestral n’a pas besoin de carte graphique pour produire ses prévisions. D’après les mesures publiées par Mistral, sur un processeur de serveur avec 8 threads, prévoir la journée suivante à partir de trois semaines de données au pas de 15 minutes prend environ 10 millisecondes avec le plus petit modèle et 140 millisecondes avec le plus grand.

Pour une usine, cela ouvre une option simple : faire tourner le modèle sur une machine du site, à côté des données, sans envoyer les mesures de production vers un service externe. Le code est publié, les poids se téléchargent depuis Hugging Face, et Mistral indique un déploiement possible sur site, en cloud privé ou dans un environnement isolé du réseau.

Ce dernier point compte dans l’industrie, où les réseaux de production sont souvent séparés d’Internet.

Cinq usages à regarder de près.

Mistral cite la maintenance, l’énergie, la planification de la capacité et les pièces de rechange parmi les applications industrielles. Voici comment ces usages se traduisent sur le terrain :

• Repérer une dérive d’équipement.Comparer en continu les mesures à leur plage prévue pour voir une pompe, un moteur ou un compresseur s’écarter de son comportement habituel, avant la panne.
• Planifier la maintenance selon le risque.Utiliser les écarts observés pour prioriser les interventions, plutôt qu’un calendrier identique pour tous les équipements.
• Anticiper la consommation d’énergie.Prévoir la consommation d’électricité ou de gaz à partir du planning de production, pour lisser les pointes ou préparer les achats.
• Ajuster la capacité et les pièces de rechange.Prévoir la charge des lignes et les besoins en consommables sur un grand nombre d’équipements, en dimensionnant sur le haut de la plage.
• Suivre un paramètre de procédé.Température d’un four, pression d’un circuit, débit d’une ligne : anticiper une sortie de plage en tenant compte des réglages prévus.

Mistral décrit aussi un scénario plus ambitieux. Timestral surveille les capteurs en continu ; lorsqu’une anomalie apparaît, un agent la rapproche des pannes passées, consulte les registres de maintenance, les journaux d’équipe et les manuels, puis propose un diagnostic au responsable de l’usine. Timestral n’est qu’une brique de ce scénario : les agents, l’accès aux documents de maintenance et leur fiabilité restent à construire et à vérifier.

Ce qu’il faut garder en tête.

Des performances annoncées par l’éditeur

Mistral présente son plus grand modèle comme le premier sur trois bancs d’essai publics, GIFT-Eval, TIME et fev-bench, devant TimesFM-3 de Google ou Chronos-2 d’Amazon. Les écarts publiés sont faibles et le rapport technique détaillé est annoncé, mais pas encore disponible. Surtout, un classement général ne dit pas comment le modèle se comportera sur vos machines : seul un test sur votre historique peut répondre.

Une préversion

La documentation de Mistral présente Timestral 1.0 comme une préversion publique. Le dépôt de code n’accepte pas de contributions et le support y est assuré au mieux. Il est prudent de figer la version du modèle utilisée et de prévoir ses mises à jour.

Une licence à lire

Le code est sous licence Apache 2.0. Les poids sont publiés sous une licence MIT modifiée : elle ne s’applique pas si le chiffre d’affaires mensuel mondial consolidé de l’entreprise a dépassé 20 millions de dollars le mois précédent, soit environ 240 millions de dollars sur un an. Au-delà, il faut demander une licence commerciale à Mistral ou passer par ses services hébergés. Une PME industrielle est généralement en dessous ; une filiale de groupe doit vérifier ce que recouvre ce chiffre consolidé. Faites valider cette lecture par votre conseil juridique.

Une brique, pas une solution clé en main

Timestral produit des prévisions. Récupérer les données, les préparer, comparer prévision et mesure, prévenir la bonne personne et garder une trace des décisions reste un travail d’intégration. C’est le sujet du guide suivant.