3억3000만 파라미터, 구글 예측 AI 공개

구글이 매출, 고객 수, 날씨처럼 서로 영향을 주는 시계열 데이터를 한꺼번에 처리하는 예측 인공지능(AI) 모델 타임스FM-3(TimesFM-3)를 공개했다. 단일 기록의 다음 값을 맞히는 방식에서 여러 변수의 관계를 함께 보는 구조로 확장한 것이 핵심이다.

구글 리서치는 지난달 31일 공식 블로그에서 타임스FM-3를 다변량 시계열 예측에 맞춰 사전학습한 차세대 파운데이션 모델이라고 밝혔다. 모델은 새 업무에 맞춘 추가 미세조정 없이 여러 데이터 흐름을 분석하는 제로샷 방식을 내세웠다.

시계열 예측은 시간 순서가 있는 데이터를 바탕으로 다음 값을 계산하는 기술이다. 매출, 재고, 접속량, 날씨, 수요처럼 시간에 따라 변하는 값이 대상이 된다. 지금까지는 하나의 기록을 중심으로 미래 값을 예측하는 단변량 방식이 널리 쓰였다.

타임스FM-3의 변화는 단일 시계열에서 다변량 시계열로의 확장이다. 기존 타임스FM-2.5까지는 주로 하나의 기록을 바탕으로 다음 값을 예측했다. 타임스FM-3는 여러 목표값, 과거 보조 변수, 앞으로 이미 알려진 일정·날씨·프로모션 같은 외부 변수를 함께 입력받는다.

구글이 든 사례는 아이스크림 매출 예측이다. 과거 판매량만 보는 대신 고객 수, 관련 상품 판매, 향후 날씨, 예정된 프로모션을 함께 넣는 식이다. 구글 리서치는 예시 차트에서 프로모션 일정이 있는 날마다 약 20%의 매출 증가가 반영됐다고 설명했다.

다만 이 수치는 모델 작동 방식을 보여주는 예시다. 특정 기업의 실제 실적이나 매출 전망을 뜻하지 않는다. AI 예측 결과를 실제 수익률이나 운영 성과로 곧바로 확대 해석하기 어렵다는 점은 본지가 앞서 AI 트레이딩 평가가 성과 예측이 아니라 위험 대응 비교에 가깝다고 보도한 대목과도 맞닿아 있다.

타임스FM-3는 3억3000만개 파라미터를 갖췄다. 실제 데이터와 합성 데이터를 합쳐 1조개가 넘는 시계열 데이터 포인트로 사전학습됐다. 모델 규모와 학습 데이터가 커진 만큼 서로 다른 산업의 시간 흐름을 한 모델 안에서 처리하는 데 초점이 맞춰졌다.

구조상으로는 연속된 데이터를 32개 시점 단위의 패치로 묶어 처리한다. 이후 시간 방향의 인과적 주의와 변수 간 주의를 번갈아 적용한다. 시간의 흐름과 변수 사이의 상호작용을 따로 보지 않고 한 예측 과정 안에서 반영하는 방식이다.

예측 방식도 바뀌었다. 이전 모델은 미래 구간을 한 조각씩 생성했지만 타임스FM-3는 전체 예측 구간을 한 번의 순전파로 계산한다. 구글은 이 방식이 처리 지연과 반복 생성 과정의 오차 누적을 줄인다고 설명했다.

성능 평가는 GIFT-Eval, FEV-Bench, TIME 등 공개 벤치마크 3종에서 이뤄졌다. 구글 리서치는 타임스FM-3가 비교 대상 사전학습 시계열 파운데이션 모델 가운데 세 벤치마크 모두에서 점 예측과 확률 예측 평균 순위가 가장 높았다고 밝혔다. 단변량 모드에서도 경쟁 모델과 비슷하거나 앞섰고, 다변량 모드에서는 성능이 더 개선됐다는 설명이다.

배포 범위에는 제한이 있다. 구글 리서치 깃허브 저장소는 타임스FM-3 소스코드가 아파치 2.0 라이선스로 공개됐지만, 사전학습 가중치에는 별도 비상업 라이선스가 적용된다고 명시했다. 기본 가중치를 상용 서비스나 운영 환경에 바로 쓰는 것은 허용되지 않는다.

구글 리서치는 같은 공식 블로그에서 타임스FM-3가 현재 깃허브와 허깅페이스(Hugging Face)에서 제공되며, 수주 안에 빅쿼리(BigQuery)에 통합될 예정이라고 밝혔다. 구글 클라우드 문서는 빅쿼리 ML의 타임스FM 모델이 별도 모델 생성과 학습 없이 AI.FORECAST 함수로 예측을 수행하도록 설계됐다고 설명한다.

기업 입장에서는 모델 자체보다 입력 구조가 더 직접적인 관심사다. 유통사는 매출과 방문자 수, 프로모션 일정을 함께 볼 수 있고, 플랫폼 기업은 트래픽과 이벤트, 계절성을 동시에 넣어 수요를 살필 수 있다. 통상 시계열 예측 업무에서 모델 성능 못지않게 중요한 것은 어떤 변수를 함께 넣고 어떤 기간을 기준으로 검증하느냐다.

한국 기업이 바로 확인해야 할 부분도 이 지점이다. 이번 공개로 확인된 것은 모델 성능과 배포 계획, 그리고 라이선스 제한이다. 실제 기업 운영 환경에서의 상용 적용은 사전학습 가중치 라이선스와 빅쿼리 통합 이후 제공 조건을 따져야 한다.