Les chercheurs de Google ont dévoilé TimesFM-3, un modèle fondationnel conçu pour la prévision de séries temporelles multivariées. Ce modèle atteint un état de l’art en réalisant cette prévision en une seule passe d’inférence. Avant cette version, les modèles de la famille TimesFM se limitaient au mode univarié, se basant uniquement sur l’historique d’une série. Or, les problèmes réels, comme anticiper les ventes de glaces, exigent d’intégrer des éléments externes : promotions, météo, ou ventes de produits connexes comme les cornets.

TimesFM-3, qui possède 330 millions de paramètres, a été entraîné sur un corpus combinant plus d’un billion de points de données réels et synthétiques. Il gère désormais cette complexité nativement. Contrairement aux méthodes traditionnelles qui nécessitaient des itérations pour générer l’horizon de prévision, TimesFM-3 utilise une stratégie de masquage de patch contigu pour produire l’ensemble de la prévision en une seule fois. Les tests sur les benchmarks Gift-Eval, FEV-Bench et Time montrent que ce mode multivarié améliore significativement la précision. Par exemple, le modèle anticipe une hausse des ventes d’environ 20 % les jours de promotion, ce que les modèles univariés n’arrivent pas à prévoir.

TabFM simplifie l’analyse des données structurées

En parallèle de cette avancée dans le domaine temporel, Google déploie TabFM, un modèle fondationnel dédié aux données tabulaires. Son objectif est de simplifier radicalement les processus de classification et de régression. Jusqu’à présent, le traitement des données structurées reposait sur des algorithmes éprouvés comme XGBoost ou les forêts aléatoires. Cependant, l’application de ces modèles demandait un travail fastidieux de sélection de fonctionnalités (feature engineering) et une optimisation manuelle des hyperparamètres.

TabFM change cette donne en recadrant la prédiction tabulaire comme un problème d’apprentissage en contexte (in-context learning), une technique popularisée par les grands modèles de langage. Au lieu d’entraîner un modèle spécifique pour chaque jeu de données, TabFM ingère l’ensemble du jeu de données — exemples d’entraînement et lignes de test — comme une seule instruction. Cela permet d’obtenir des prédictions de haute qualité sur des tableaux inédits en un seul passage. Pour traiter ces structures intrinsèquement bidimensionnelles, le modèle utilise une architecture hybride, combinant des concepts de TabPFN et TabICL. Étant donné que les jeux de données tabulaires industriels de taille massive sont rares en accès libre, TabFM a été pré-entraîné sur des centaines de millions de jeux de données synthétiques générés par des modèles causaux structurels.

L’Agentic Data Cloud et la fédération des données

L’écosystème des systèmes d’action autonomes, ou agents, est en pleine expansion. Google Cloud renforce son Agentic Data Cloud pour permettre à ces agents d’opérer à l’échelle en étant ancrés dans le contexte métier de l’entreprise. L’enjeu majeur est de fournir une source de vérité unique aux agents, car leur efficacité dépend de la fiabilité des informations traitées.

La plateforme mise sur le borderless Lakehouse, basé sur le format Apache Iceberg. Ce système permet d’activer l’intégralité des données, qu’elles résident dans des environnements multicloud, sur site, ou dans des plateformes SaaS comme Salesforce ou SAP. Au lieu de déplacer les données ou de bricoler des connecteurs, les agents accèdent aux données là où elles sont stockées. Des améliorations récentes permettent à Gemini d’interroger directement ce Lakehouse, même avec une interconnexion privée et sécurisée entre AWS et Azure, sans frais d’egress variables. De plus, l’accès direct à Iceberg dans AlloyDB permet de joindre des données opérationnelles en temps réel avec les données historiques du Lakehouse en une seule requête PostgreSQL, ce qui est jusqu’à sept fois plus rapide pour les requêtes d’agrégation que le service comparable d’Amazon.

L’exactitude des réponses est assurée par Knowledge Catalog, le moteur de contexte universel de Google Cloud. Ce dernier ne se contente pas d’indexer les données structurées ; il apprend en continu de l’intention des utilisateurs et des interactions des agents en puisant dans des sources non structurées comme Jira ou Confluence. Selon les chiffres internes, cette capacité d’auto-enrichissement rend les agents près de quatre fois plus précis, tout en réduisant l’utilisation des jetons de 75 %.

Vers une intégration opérationnelle profonde

La convergence de ces outils dessine une ambition claire : passer du modèle prédictif isolé à un système décisionnel intégré. TimesFM-3 permet de prédire des scénarios complexes, comme l’impact des promotions sur les ventes, tandis que TabFM traite les données décisionnelles classiques sans effort de préparation manuelle. L’Agentic Data Cloud fournit le socle d’accès et de raisonnement pour que ces prédictions deviennent des actions concrètes.

Cette intégration permet, par exemple, de réduire les coûts de mouvement de données de 40 % chez Delivery Hero talabat en fédérant les données entre deux clouds. C’est cette capacité à lier le temps réel et l’historique, en passant par des outils comme AlloyDB, qui transforme la prédiction en une action concrète et gouvernée.

Sources

• TimesFM-3: A zero-shot foundation model for multivariate forecasting, research.google
• Introducing TabFM: A zero-shot foundation model for tabular data, research.google
• New capabilities to power agents at scale with Google’s Agentic Data Cloud, Google Cloud, 4 novembre 2026
• Google fine-tunes its Agentic Data Cloud to support highly scalable autonomous AI workers, SiliconANGLE, 4 novembre 2026