매출 예측을 할 때 지난 매출만 넣는 방식은 익숙하다. 하지만 현장에서는 프로모션 일정, 휴일, 날씨, 유입량처럼 미래가 일부 정해진 신호가 결과를 크게 바꾼다. 그래서 예측이 빗나갔을 때 모델을 바꾸기보다, 처음부터 어떤 정보를 예측 시점에 알 수 있었는지 돌아보게 된다.
Google Research가 2026년 8월 31일 공개한 TimesFM-3는 이 지점을 정면으로 다룬 시계열 기반 모델이다. 이전 TimesFM 2.5까지는 한 시계열의 과거만 보는 단변량 예측에 한정됐지만, 새 버전은 여러 관련 시계열과 보조 변수를 함께 받아 다변량 예측을 수행한다. 모델 자체의 순위보다 실무자가 얻을 수 있는 교훈은 더 단순하다. 예측 프로젝트는 데이터 표의 행을 많이 모으는 일보다, 미래에 확실히 알 수 있는 정보와 알 수 없는 정보를 구분하는 일에서 시작해야 한다.
한 숫자만 보던 예측에서 함께 움직이는 신호를 읽는 방식으로
시계열은 시간 순서로 쌓인 값이다. 일별 주문 수, 주간 문의량, 월별 클라우드 비용이 여기에 해당한다. 단변량 예측은 주문 수라면 주문 수의 과거 기록만 본다. 반면 다변량 예측은 관련 상품 주문, 방문자 수, 광고 집행 여부처럼 같은 시점에 움직이는 여러 값을 함께 사용한다.
TimesFM-3는 여러 목표값을 동시에 예측할 수 있고, 두 종류의 보조 변수를 받는다. 과거에만 알 수 있는 값은 과거 보조 변수다. 예를 들어 이미 지나간 날의 방문자 수가 그렇다. 반대로 프로모션 일정이나 공휴일처럼 예측 시점에 미래 값까지 알고 있는 변수는 과거·미래 보조 변수로 넣을 수 있다. Google은 아이스크림 판매 예시에서 관련 상품 판매, 유동 인구, 날씨, 프로모션, 휴일을 함께 고려하는 상황을 제시했다.
여기서 중요한 경계가 있다. 미래 예측에 쓸 수 있는 것은 실제 운영 시점에도 미리 확보되는 정보뿐이다. 사후에 확정된 실적, 나중에 수정된 재고, 이미 결과를 반영한 지표를 넣으면 테스트 점수는 좋아져도 운영에서는 재현되지 않는다. 이를 데이터 누수라고 한다. 다변량 모델을 검토할수록 이 기본 원칙은 더 엄격하게 적용해야 한다.
한 번에 예측 구간을 만드는 구조가 바꾸는 것
Google의 설명에 따르면 TimesFM-3는 3억 3천만 개 파라미터로 구성됐고, 실제 및 합성 시계열 1조 개가 넘는 시점 데이터로 사전학습됐다. 연속한 값 32개를 하나의 패치로 묶은 뒤 시간 축의 과거만 보도록 제한한 attention과, 같은 시점의 다른 시계열을 함께 보는 attention을 번갈아 사용한다. 전자는 미래 값을 미리 보지 않게 하고, 후자는 상품과 채널 사이의 관계를 읽게 한다.
또 하나의 변화는 예측 구간을 순서대로 한 조각씩 생성하지 않고 한 번의 forward pass로 채운다는 점이다. Google은 이를 통해 지연 시간과 누적 오차를 줄일 수 있다고 설명한다. 각 시점마다 하나의 숫자만 내놓는 대신 10번째부터 90번째까지 9개 분위수도 제공한다. 분위수 예측은 “다음 주 주문은 1,000건”이라고 단정하기보다, 불확실성을 포함한 범위를 제시하는 방법이다.
운영 관점에서는 평균 오차 하나로 모델을 고르지 않는 편이 낫다. 발주나 인력 배치처럼 부족 비용과 과잉 비용이 다른 업무라면, 중앙값 예측과 높은 분위수 예측이 각각 어떤 결정을 바꾸는지 따로 봐야 한다. 이 기능이 있다고 불확실성이 자동으로 정확해지는 것은 아니다. 과거와 다른 행사, 공급 문제, 정책 변화처럼 학습 데이터에 없던 사건은 여전히 별도 판단이 필요하다.
벤치마크 1위라는 주장과 라이선스의 거리
Google은 GIFT-Eval, fev-bench, TIME의 세 공개 벤치마크에서 TimesFM-3가 사전학습된 파운데이션 모델 가운데 점 예측과 확률 예측 모두에서 가장 높은 평균 순위를 기록했다고 밝혔다. GitHub 저장소도 fev-bench의 100개 실제 과제, TIME의 50개 도메인 데이터셋과 98개 평가 과제, GIFT-Eval의 결과를 요약한다. 이는 후보 모델로 살펴볼 근거는 되지만, 특정 회사의 수요 예측 정확도를 보장하는 결과는 아니다. 데이터 주기, 결측치, 예측 기간, 이벤트 변수의 품질이 다르면 순위도 달라질 수 있다.
더 현실적인 제약은 배포 권한이다. 저장소의 소스 코드는 Apache-2.0이지만, TimesFM 3.0의 사전학습 가중치는 별도 timesfm-non-commercial-license-v1.0로 배포된다. 비상업·비운영 용도로 제한되며 기본 가중치를 상용 또는 운영 예측 API에 쓰는 것은 허용되지 않는다. 독립 보도도 이 차이를 확인했다.
따라서 “오픈소스 모델이니 바로 사내 서비스에 올리자”는 결론은 맞지 않는다. 지금 가능한 일은 공개 가중치로 재현 가능한 평가를 해보고, 상용 사용이 필요하면 라이선스와 대안 모델을 별도로 검토하는 것이다. 코드 라이선스와 모델 가중치 라이선스가 다를 수 있다는 점은 다른 생성형 AI 모델을 검토할 때도 같은 방식으로 확인할 항목이다.
작은 예측 실험은 데이터 표준부터 시작할 수 있다
TimesFM-3를 실제 업무에 붙이지 않더라도, 이 발표는 예측 실험의 순서를 정리하는 데 쓸 만하다. 우선 한 가지 의사결정을 정한다. 예를 들어 다음 2주 고객 문의량을 보고 당번 인력을 조정하는 일처럼, 예측 결과가 바꾸는 행동이 분명한 문제를 고른다.
- 예측 시점 표를 만든다. 날짜별 목표값, 당시까지 확정된 과거 정보, 미래에도 미리 아는 일정 정보를 분리한다. 행사 후 확정된 결과는 입력 열에 넣지 않는다.
- 기준선과 비교한다. 지난주 같은 요일 값, 이동평균, 단변량 모델을 먼저 기준선으로 둔다. 다변량 입력을 더한 모델이 비용이나 의사결정 품질을 실제로 개선하는지 확인한다.
- 오차와 범위를 함께 기록한다. 평균 오차뿐 아니라 과소 예측과 과대 예측이 각각 몇 번 발생했는지, 예측 구간이 실제 값을 얼마나 자주 포함했는지 남긴다. 그래야 분위수 출력이 운영 판단에 도움이 되는지 알 수 있다.
이 순서는 특정 모델에 묶이지 않는다. TimesFM-3의 핵심은 더 많은 변수를 넣으라는 권유가 아니라, 미래에 알 수 있는 신호를 명시하고 그 신호가 없을 때의 기준선과 비교하라는 요구에 가깝다. AX 관점에서도 유용하다. 자동화가 맞혔는지보다, 사람이 어떤 정보와 어떤 불확실성을 보고 행동을 바꿨는지 기록해야 다음 실험을 고칠 수 있다.
지금은 배포보다 검증 설계를 배울 시점
TimesFM-3는 다변량 예측과 알려진 미래 변수를 한 모델에 담고, 한 번의 추론으로 예측 구간을 제시한다. 공개 벤치마크 성과도 관심을 둘 만하다. 다만 현재 공개 가중치의 비상업·비운영 제한은 분명하다.
그래서 이 소식은 즉시 도입할 제품 목록보다 예측 프로젝트의 체크리스트로 읽는 편이 낫다. 우리가 정말 미리 아는 데이터는 무엇인지, 어떤 기준선보다 좋아져야 하는지, 틀렸을 때 어떤 비용이 드는지부터 정리해 보자. 그 답이 있어야 새 모델의 성능 주장도 자기 업무의 언어로 검증할 수 있다.