Google revoluciona previsões com TimesFM-3, o modelo de fundação para séries temporais

O TimesFM-3 se apresenta como a nova fronteira em modelos de fundação para análise de séries temporais, uma área crucial em diversos setores. Com 330 milhões de parâmetros e pré-treinado em mais de um trilhão de pontos de tempo, ele eleva a capacidade de previsão zero-shot. Isso significa que o modelo consegue fazer previsões precisas sem a necessidade de um ajuste fino (fine-tuning) específico para cada tarefa, simplificando muito a implementação em cenários reais.

Este lançamento do Google se alinha à estratégia da empresa de desenvolver modelos de fundação versáteis, como o TabFM, apresentado na cobertura do CEVIU em 3 de julho de 2026 para dados tabulares. O TimesFM-3 usa uma arquitetura de transformador apenas com decodificador, processando os dados em pacotes (patches) e empregando mecanismos de atenção causal temporal e de variância completa para entender tanto a evolução no tempo quanto as correlações entre diferentes séries. A capacidade de incorporar covariáveis históricas e futuras conhecidas, como campanhas promocionais ou previsões meteorológicas, é um diferencial importante, permitindo que a IA aprenda com o contexto e o aplique em situações futuras.

O TimesFM-3 representa um salto significativo em relação às versões anteriores, o TimesFM lançado em 2024 e o TimesFM-2.5 de setembro de 2025. As iterações anteriores eram focadas estritamente em previsões univariadas, ou seja, analisavam uma única série temporal de forma isolada. A grande novidade do TimesFM-3 é o suporte nativo e robusto para previsão multivariada, permitindo que o modelo capture dependências complexas entre múltiplas séries temporais.

Outra evolução técnica notável é a introdução do método de Mascaramento Contíguo de Patches (Contiguous Patch Masking). Enquanto as versões anteriores geravam previsões de forma iterativa, um patch por vez, o TimesFM-3 consegue gerar todo o horizonte de previsão em uma única passagem. Isso reduz a latência, minimiza o acúmulo de erros e otimiza o custo computacional, tornando o processo muito mais eficiente e rápido.

A chegada do TimesFM-3 é um divisor de águas para qualquer empresa ou pesquisador que dependa de previsões. Ele remove barreiras como a necessidade de conhecimento aprofundado em Machine Learning e o demorado processo de fine-tuning. Isso acelera o desenvolvimento de soluções e democratiza o acesso a previsões de alta qualidade, antes restritas a equipes com recursos especializados.

Com capacidade de entregar previsões pontuais e probabilísticas (através de 9 quantis), o modelo oferece uma visão mais completa da incerteza, o que é vital para tomadas de decisão estratégicas. Sua aplicação abrange varejo, finanças, manufatura, saúde e até ciências naturais, onde, como o CEVIU noticiou em 7 de agosto de 2026 sobre o WeatherNext da DeepMind, a IA já vem transformando a previsão em áreas críticas.