TimesFM no BigQuery: Previsões com IA na Nuvem

10/03/2026

3 min

TimesFM no BigQuery: O Futuro da Previsão em Data Cloud

O Google Cloud anuncia uma novidade transformadora: a integração do TimesFM, um modelo de linguagem de fundação para séries temporais, às suas plataformas de dados líderes, BigQuery e AlloyDB. Essa união coloca o poder de modelos de previsão avançados diretamente sobre seus dados na Google Data Cloud, permitindo a identificação de tendências futuras com uma facilidade e precisão sem precedentes.

O Poder do TimesFM em Série Temporal

Desenvolvido pelo Google Research, o TimesFM é um modelo de fundação treinado em um volume massivo de mais de 400 bilhões de pontos de dados reais. Sua principal inovação é a capacidade de realizar previsões em modo zero-shot. Isso significa que o modelo pode gerar previsões precisas para seus dados específicos sem a necessidade de retreinamento, simplificando drasticamente o processo e economizando tempo e recursos.

TimesFM no BigQuery: Funcionalidades Ampliadas

A Google Cloud evolui suas ferramentas de análise de dados, e a integração do TimesFM ao BigQuery traz avanços significativos. As funções AI.FORECAST e AI.EVALUATE, que foram anunciadas em preview e agora atingem a Disponibilidade Geral (GA), permitem criar e validar previsões diretamente em SQL.

Adicionalmente, a função AI.DETECT_ANOMALIES encontra-se em Preview Público, oferecendo novas capacidades para identificar padrões incomuns em seus dados.

Novidades em AI.FORECAST e AI.EVALUATE

Suporte ao TimesFM 2.5: Utilize a versão mais recente do modelo, especificando `model => “TimesFM 2.5”`, para obter maior acurácia e menor latência nas previsões.
Janelas de Contexto Dinâmicas: O AI.FORECAST agora suporta janelas de contexto de até 15K (`context_window`), adaptando-se automaticamente ao tamanho da sua série temporal ou permitindo sua definição manual.
Visualização de Dados Históricos: Ative `output_historical_time_series = true` para exibir dados históricos junto com as previsões, facilitando a compreensão e a visualização dos resultados.
Avaliação de Modelos com AI.EVALUATE: Compare valores previstos com dados reais para avaliar a precisão do modelo, garantindo a confiabilidade das suas projeções.

Exemplo Prático

O código SQL abaixo demonstra como utilizar o TimesFM 2.5 para prever o número de viagens de bicicleta em Nova York, exibindo os dados históricos e as projeções:

WITH citibike_trips AS (
    SELECT EXTRACT(DATE FROM starttime) AS date, COUNT(*) AS num_trips
    FROM `bigquery-public-data.new_york.citibike_trips` GROUP BY date)
SELECT *
FROM
  AI.FORECAST(
    TABLE citibike_trips,  -- History Table
    data_col => 'num_trips',
    timestamp_col => 'date',
    horizon => 300,
    output_historical_time_series => TRUE,
    model => 'TimesFM 2.5',
    context_window => 1024);

Os resultados podem ser visualizados diretamente no BigQuery ou através de ferramentas de BI integradas, oferecendo insights valiosos para a tomada de decisão.

Conclusão

A integração do TimesFM ao BigQuery e AlloyDB representa um salto significativo na capacidade de previsão de dados. Ao democratizar o acesso a modelos de IA de ponta, o Google Cloud capacita empresas a antecipar tendências, otimizar operações e impulsionar o crescimento com base em insights preditivos confiáveis.