미스트랄, 타임스트랄 공개…CPU에서 실행하는 시계열 예측 모델

문장 생성과 다른 기업용 AI

타임스트랄은 챗봇처럼 문장을 이어 쓰는 모델이 아니다. 과거 관측값을 받아 이후 구간의 숫자 분포를 예측한다. 여러 관련 변수를 함께 다루고, 과거에만 알려진 보조 정보와 미래 일정처럼 미리 알 수 있는 정보를 구분해 입력받는다. 같은 ‘기반 모델’이라는 표현을 쓰더라도 언어 모델과 목적과 출력이 다르다.

네 모델의 매개변수 수는 500만, 2,800만, 1억2,300만, 2억900만 개다. 최대 입력 길이는 3만2,768개의 시간 단계다. 이 길이는 언어 모델의 토큰 수가 아니며 측정 간격에 따라 실제 기간이 달라진다. 1분 단위 센서와 하루 단위 판매 자료에서 같은 단계 수가 전혀 다른 기간을 뜻한다는 점이 도입 판단에 중요하다.

21개 분위수는 예측의 불확실성을 표현한다. 중앙값만 보고 발주량이나 처리 용량을 정하는 방식과 달리, 상·하위 범위를 함께 참고할 수 있다. 다만 분위수를 출력한다는 사실 자체가 실제 오차 범위의 정확성을 보장하지는 않는다. 적용 대상 데이터에서 예측 구간에 관측값이 얼마나 들어오는지 확인해야 의미가 있다.

미스트랄은 GIFT-Eval, TIME, fev-bench에서 사전학습된 제로샷 모델 가운데 선두라고 발표했다. 새 데이터에 별도 학습 없이 적용한 비교라는 뜻이다. 특정 회사의 자료로 충분히 조정한 전용 모델보다 언제나 우수하다는 주장은 아니다. 비교 대상의 범위를 함께 읽어야 기존 통계 모델이나 현장 모델을 대체할 근거인지 판단할 수 있다.

현장 정보와 예측값을 구분하는 설계

주요 기능 중 하나는 미래에 알려진 보조 변수다. 예를 들어 확정된 휴일 일정은 예측 대상 날짜에도 알 수 있지만, 그날의 실제 판매량은 아직 알 수 없다. 이 두 종류의 정보를 섞으면 미래 정답을 미리 본 것처럼 평가가 부풀려질 수 있다. 타임스트랄은 변수의 역할을 나눠 처리하도록 설계됐다고 설명한다.

공식 저장소는 독립 추론 패키지와 입력 배열, 결측값 표현, 예측 구간 처리 방식을 공개한다. Python 3.10 이상과 PyTorch 2.4 이상을 요구하며 CPU 또는 GPU로 실행한다. 모델 이름만 제시하는 발표보다 실제 데이터 연결에 필요한 정보를 더 제공한다는 점에서, 운영팀이 접근 가능한 공개 자료가 갖춰져 있다.

CPU 속도는 측정 조건과 함께 봐야 한다. 미스트랄이 제시한 8스레드 서버 CPU 조건에서, 15분 간격의 3주 기록으로 하루를 예측할 때 500만 모델은 10밀리초, 2억900만 모델은 140밀리초가 걸렸다. 개발사 측정이며 모든 데이터 크기나 일반 PC에서 같은 시간이 나온다는 뜻은 아니다. 데이터 정리와 저장소 접근 시간까지 포함한 전체 처리 속도로 확대할 수도 없다.

긴 예측 구간을 다루는 방식도 공개됐다. 저장소 안내에 따르면 한 번의 처리 블록보다 긴 미래를 예측할 때는 앞서 예측한 중앙값을 다음 구간의 입력으로 사용한다. 따라서 멀리 내다볼수록 실제 관측값 대신 예측값에 의존하는 구간이 늘어난다. 최대 입력 길이와 장기 예측의 신뢰성을 같은 사양으로 볼 수 없는 이유다.

공개 실행과 현장 적응은 다른 단계

가중치는 별도의 Modified MIT, 실행 코드는 Apache 2.0으로 제공된다. 문서의 공개 프리뷰 표시와 함께 확인해야 할 이용 조건이다. 발표는 Forge를 통한 자체 데이터 조정과 폐쇄망 배포도 설명하지만, 기업별 구축 비용이나 일정까지 공개된 것은 아니다. 다운로드 가능한 모델과 맞춤형 학습 서비스의 조건을 혼동하지 않는 편이 좋다.

편집 관점에서 타임스트랄은 생성형 AI 도입을 대화 화면에 한정하지 않는 사례다. 수요와 설비 상태 같은 숫자 예측이 실제 의사결정의 입력이 될 수 있기 때문이다. 다만 공개 발표의 공장 예시는 활용 구상이며 실명 고객의 검증된 성과가 아니다. 현장 데이터 분포가 바뀌면 재평가와 조정이 필요하다는 개발사 설명까지 포함해야 이번 공개의 범위가 선명해진다.