La veille TSFM appliquée à un responsable d’équilibre fictif, sur données publiques réelles : LightGBM, Chronos-2 et leur mélange contre la prévision J-1 de RTE, publiée et débiaisée. Un MAPE de 2,7 % sur le portefeuille contre 5,6 % sans modèle, un router qui ne bat pas le mélange, un cold-start à la naïve, Timestral et TimesFM 3.0 en addendum, un service Dagster et sa surveillance rejouée.
Quand un modèle de fondation utilisé sans entraînement bat-il un modèle ajusté sur la série ? Ce que j’ai observé sur un an de charge électrique française, avec la couverture des intervalles et pas seulement l’erreur moyenne, puis en reconstruisant un routeur entre les deux sur 50 séries.
Le contrefactuel BSTS de la veille appliqué aux promotions d’une chaîne d’épicerie fictive sur les données Favorita : campagnes détectées plutôt que supposées, registre de donneurs, couverture mesurée sur vérité plantée (0,83 à 0,90 contre 0,5 à 0,7 pour les estimateurs iid), séisme en banc d’essai, Double ML, pipeline Dagster et monitoring.
Un contrefactuel est une prévision. Ce que j’ai observé en le construisant à la main, en mesurant sa couverture sur 100 panels à vérité connue, en plantant quatre violations du design et en l’appliquant au cours de Volkswagen après le dieselgate.
Exactitude, fraîcheur et stabilité ne demandent pas la même fréquence de réentraînement. Ce que j’ai observé sur un banc de dix politiques, un modèle analytique, les données d’électricité Monash et une simulation causale.
MinT réécrit de zéro, ses hypothèses testées une à une, et un mini-projet éCO2mix (12 régions → France) où le bottom-up bat la méthode de référence, sur 356 origines, deux années et deux modèles de base.
MinT garantit la cohérence, pas la précision ni la calibration. Démonstration par la théorie, la simulation, les données RTE et des ventes de comptage.
