Google Research가 공개한 TimesFM(Time Series Foundation Model)은 시계열 예측(time-series forecasting) 분야에 LLM 패러다임을 직접 이식하려는 시도다. 오늘 GitHub에서 858 stars를 기록하며 Python 카테고리 1위에 올랐다. 단순히 연구 호기심이 아니라 실무 ML 엔지니어링 관점에서 볼 만한 이유가 있다.
시계열 예측의 오랜 현실은 이렇다. 수요 예측, 에너지 소비 예측, 금융 변동성 예측은 각각 다른 도메인, 다른 학습 데이터, 다른 모델 인스턴스를 의미했다. 새 예측 문제에 진입할 때마다 초기 데이터를 확보하고, 학습 파이프라인을 구성하고, 도메인 특성에 맞게 튜닝하는 사이클을 반복해야 했다. 초기 데이터가 충분하지 않은 콜드 스타트 상황에서는 예측 파이프라인 자체를 세우기가 까다로웠다.
TimesFM은 이 구조에 정면으로 도전한다. 아키텍처적 핵심은 시계열을 패치(patch) 단위로 분절해 transformer에 입력한다는 것이다. LLM이 토큰 시퀀스로부터 텍스트의 일반 패턴을 학습하듯, TimesFM은 시간적 패치 시퀀스로부터 추세·계절성·주기성 같은 시간 도메인의 일반 패턴을 대규모 시계열 코퍼스로 사전 학습한다. 이를 통해 zero-shot forecasting이 가능해진다 — 새 도메인의 시계열 데이터를 가져다 추가 학습 없이 바로 추론에 넣으면 의미 있는 예측이 나온다.
물론 긴장감은 존재한다. 도메인 데이터로 fine-tuning한 전용 모델이 항상 더 나은 정확도를 낼 수 있다. 진짜 질문은 zero-shot 성능이 실무에서 "충분히 좋은" 수준을 커버하는 구간이 어디까지인가다. 만약 대부분의 예측 문제에서 학습 없이도 쓸 만한 베이스라인이 나온다면, 시계열 ML 파이프라인의 경제학이 근본적으로 달라진다. 새 도메인 진입의 초기 비용이 사라지고, 탐색적 예측이 훨씬 저렴해진다. 오늘 858개의 별은 그 가능성에 반응한 숫자다.