AI가 다음 주 수요를 예측한다면: Timestral로 시작하는 재고관리 실험

핵심 답변: Mistral이 2026년 10월 15일 공개한 Timestral은 시간 순서로 쌓인 숫자를 예측하는 시계열 기반모델입니다. 기업이 먼저 할 일은 모델 순위를 믿고 발주를 맡기는 것이 아니라, 품목 몇 개의 과거 예측을 재현해 기존 방식과 비교하는 것입니다. 예측 오차, 품절, 과잉 재고, 담당자의 수정 이유를 함께 측정하면 AI가 어느 결정에 도움이 되는지 확인할 수 있습니다.

“다음 주에 몇 개 팔릴까?”는 AI 데모에서 자주 빠지는 질문입니다. 답변 문장을 매끄럽게 만드는 능력과, 날짜별 판매량의 불확실성을 추정하는 능력은 평가 방법이 다릅니다. 재고 담당자에게 필요한 것은 설득력 있는 매출 전망보다 이번 발주에 쓸 수 있는 수치와 조건입니다.

Timestral의 등장은 이 영역을 다시 볼 계기입니다. Mistral은 작은 모델을 CPU에서도 실행할 수 있도록 공개했습니다. 대화형 서비스 하나를 더 만드는 대신, 기존 엑셀·CSV에 쌓인 수량 데이터를 대상으로 짧은 예측 실험을 시작할 선택지가 늘어난 셈입니다.

이 글의 제품 정보는 2026년 10월 19일 확인한 공식 자료를 기준으로 합니다. 아래의 재고 사례와 실험 계획은 LeanX의 제안이며 실제 고객 성과나 Timestral 실행 결과가 아닙니다.

1. Timestral은 어떤 일을 하는 모델인가요?

Timestral은 과거 숫자의 흐름을 입력받아 미래 시점의 값을 예측합니다. Mistral이 발표한 모델 크기는 5M·28M·123M·209M 네 가지입니다. 가장 큰 모델도 2.09억 파라미터이며, 여러 관련 수치를 함께 다루는 다변량 예측과 불확실성을 나타내는 분위수 출력을 지원합니다.

공식 저장소에는 직접 실행할 코드가 공개돼 있습니다. GPU가 필수는 아니며 CPU에서도 추론할 수 있습니다. 다만 회사 자료를 올리면 즉시 작동하는 완성형 재고 서비스는 아닙니다. 데이터 정리, 실행 환경, 예측 결과의 검증과 발주 시스템 연결은 별도로 준비해야 합니다.

Mistral은 공개 벤치마크의 사전학습·제로샷 모델 비교에서 높은 성능을 보고했습니다. 이는 공급사의 평가 결과입니다. 우리 품목의 품절 감소나 재고 비용 절감을 검증한 결과로 옮겨 쓰면 안 됩니다. 정확한 판단은 회사의 과거 데이터로 비교해 봐야 합니다.

공개 조건도 나눠 봐야 합니다. 저장소 코드는 Apache 2.0, 모델 가중치는 별도의 Modified MIT 라이선스입니다. 배포나 제품화 전에는 사용할 코드와 가중치 각각의 조건을 확인하세요. “전부 같은 MIT 라이선스”로 묶으면 부정확합니다.

2. 첫 질문은 ‘어떤 모델?’보다 ‘어느 결정을 바꿀까?’입니다

수요예측 프로젝트가 보고서로 끝나는 이유 중 하나는 예측 뒤의 행동이 정해지지 않았기 때문입니다. 다음 주 판매량을 맞혀도 발주 주기와 최소 주문량이 고정돼 있다면 실제 운영은 달라지지 않을 수 있습니다.

먼저 한 가지 결정을 고릅니다.

업무	예측할 대상	예측 뒤 바뀔 결정	함께 볼 비용
상품 재고	품목별 일간 판매 수량	다음 발주량과 발주 시점	품절·보관·폐기
고객센터	시간대별 문의 건수	근무 인원 배치안	대기·초과근무
설비 운영	시간대별 부하	점검·운전 일정의 검토	정지·과부하
배송 운영	권역별 주문량	차량·인력 예약안	미처리·유휴

이 표는 적용 예시입니다. 모델이 해당 업무에서 효과를 냈다는 주장과는 구별해야 합니다. 시작할 때는 실제 결정을 바꿀 수 있고 결과를 관찰할 수 있는 작은 범위가 좋습니다.

예를 들어 “전사 매출 예측”보다 “납기가 비슷한 상시 판매 상품 20개의 7일 발주 제안”이 평가하기 쉽습니다. 신상품·단종품·행사 전용 상품은 별도로 표시합니다. 서로 다른 문제를 한 평균에 섞으면 어느 품목에서 성능이 나쁜지 보이지 않습니다.

3. CSV에서 가장 먼저 확인할 것은 품절과 미래 정보입니다

예측 모델보다 먼저 데이터의 뜻을 확인해야 합니다. 특히 판매량은 항상 수요와 같지 않습니다. 재고가 없어 0개 팔린 날을 수요가 0인 날로 처리하면, 잘 팔리는 상품을 덜 주문하는 방향으로 학습하거나 평가할 수 있습니다.

첫 파일은 다음 정도로 작게 구성해도 됩니다.

필드	의미	주의할 점
날짜·품목 ID	관측 시점과 대상	시간대·집계 주기·중복을 통일
판매 수량	예측할 관측값	반품·취소의 포함 기준을 고정
재고·품절 표시	판매가 제한됐는지	없으면 수요 해석의 한계로 기록
가격·행사	수요에 영향을 줄 조건	예측 당시 알 수 있던 값만 사용
영업일·휴일	달력 조건	실제 운영 달력과 맞춤
입고 예정·납기	발주 판단 조건	예측 입력과 결정 규칙을 구분

Timestral은 과거에만 관측되는 보조변수와 미래에 이미 알려진 보조변수를 구분해 받습니다. 이 기능을 쓰더라도 평가 파일에서 미래 정보를 잘못 넣으면 성능이 부풀려집니다.

예를 들어 10월 1일 시점의 예측을 재현하면서 10월 8일에 확정된 행사 변경이나 실제 날씨를 넣으면 당시에는 불가능했던 예측이 됩니다. 날씨 예보를 쓴다면 그 시점에 발표돼 있던 예보를 써야 합니다. 과거 원본을 재구성할 수 없다면 해당 변수 없이 시험하고 한계를 남기는 편이 정직합니다.

자료의 출처와 판단 이유를 함께 보관하는 방식은 데이터를 판단 자산으로 바꾸는 법과 이어집니다. 예측에서도 원본 숫자만큼 “그때 무엇을 알고 있었는가”가 중요합니다.

4. 모델의 분위수를 곧바로 발주량으로 쓰면 안 됩니다

공식 모델 카드는 시점마다 21개 분위수를 출력한다고 설명합니다. 중앙값 하나 외에 낮은 수요와 높은 수요의 범위를 살펴볼 수 있다는 뜻입니다. 다만 출력된 범위가 실제 업무에서 얼마나 잘 보정돼 있는지는 별도 검증이 필요합니다.

다음은 설명을 위한 가상 숫자입니다. 어떤 품목의 7일 수요 예측 중앙값이 100개, 90번째 분위수 값이 140개라고 합시다. 여기서 바로 “140개를 주문하자”로 넘어가면 현재 재고, 입고 예정, 납기와 최소 주문량이 빠집니다. “140개 안에 반드시 들어온다”는 보장도 아닙니다.

발주 제안을 만들 때는 세 단계를 따로 계산합니다.

1. 예측: 납기와 검토 주기를 덮는 기간의 수요 범위를 계산합니다.
2. 운영 규칙: 현재 사용 가능 재고와 확정 입고를 빼고 최소 주문 단위·보관 한도·유통기한을 적용합니다.
3. 판단: 품절 손실과 잔여 재고 비용을 비교하고 행사 변경처럼 모델이 모르는 사유를 검토합니다.

여러 날의 일별 상위 분위수를 단순히 더한 값이 같은 수준의 누적 수요 분위수가 되는 것도 아닙니다. 일별 수요 사이의 관계가 영향을 주기 때문입니다. 실제 발주 기간에 맞춘 누적 예측과 그 범위의 적중 여부를 검증해야 합니다.

대화형 AI는 여기서 숫자의 생성 근거를 설명하고 예외를 묻는 역할을 맡길 수 있습니다. 예측 결과를 다시 읽어 담당자에게 보여주되, 없는 행사나 고객 주문을 지어내 근거에 보태지 않도록 원본 필드와 연결해야 합니다.

5. 과거로 돌아가 기존 발주 방식과 공정하게 비교하세요

첫 성능표에는 Timestral만 올리지 않습니다. 같은 시점, 같은 예측 기간, 같은 입력 정보로 기존 담당 방식과 단순한 기준선을 함께 비교합니다. 예를 들면 지난주 같은 요일 값이나 최근 같은 요일의 평균입니다.

한 번 데이터를 앞뒤로 자르는 대신 여러 과거 시점으로 돌아갑니다. 매주 월요일 당시까지의 자료로 다음 7일을 예측하고, 그 뒤 실제 관측값과 비교하는 방식입니다. 모델과 규칙을 고르는 기간, 최종 평가 기간도 분리합니다. 최종 결과를 본 뒤 잘 맞는 품목만 남기면 새 데이터의 성능을 알기 어렵습니다.

최소한 네 묶음의 지표를 보세요.

• 수치 오차: 품목별 절대오차와 가중 오차. 판매량이 0인 날이 많다면 백분율 오차만 쓰지 않습니다.
• 범위 품질: 예측 범위 안에 실제 값이 들어온 비율과 범위의 폭. 무조건 넓게 잡아도 유용성이 떨어집니다.
• 운영 결과: 같은 재고·납기·발주 규칙 아래 모의 계산한 품절, 잔여 재고, 폐기 및 추정 비용.
• 담당자 개입: 수정한 제안의 비율과 이유. 품목별로 도움이 된 경우와 방해된 경우를 나눕니다.

과거 모의 계산은 실제 운영 성과가 아닙니다. 특히 품절 기간의 잃어버린 수요를 정확히 모르면 비용 계산에도 가정이 들어갑니다. 가정을 바꿨을 때 결론이 뒤집히는지 확인하고, 이후 제한된 실제 운영으로 다시 평가해야 합니다.

6. 2주 실험은 CSV와 발주 제안 한 장으로 충분합니다

아래는 구현을 시작하기 위한 제안 일정입니다. 2주 만에 재고 개선을 보장하거나 모든 계절성을 검증한다는 뜻은 아닙니다.

1~3일차: 비식별 품목 20개를 선정하고 날짜별 수량·재고·행사 정보를 정리합니다. 예측 시점, 기간, 빠진 정보, 비교할 기존 방식과 기준선을 고정합니다.

4~7일차: 공개 모델을 격리된 환경에서 실행하고 과거 시점별 예측을 생성합니다. 모델 버전, 입력 파일, 예측값과 실행 시간을 함께 저장합니다. 작은 모델과 큰 모델을 모두 비교할 필요는 없습니다. 먼저 한 모델로 평가 흐름을 완성하세요.

8~10일차: 같은 운영 조건으로 발주량을 모의 계산합니다. 특정 품목의 평균 개선에 가려 다른 품목의 품절 위험이 커지지 않았는지 확인합니다.

11~14일차: 담당자가 근거와 범위를 보며 제안을 검토합니다. 실제 주문은 기존 절차로 처리하고, AI 제안과 달라진 이유를 기록합니다. 이 단계에서는 예측을 읽는 데 드는 시간과 수정 부담도 평가합니다.

완료 산출물은 화려한 대시보드보다 품목 / 예측 기간 / 기준선 / 예측 범위 / 재고 조건 / 발주 제안 / 수정 이유 / 평가 결과가 담긴 한 장의 표가 좋습니다. 다음 실험에서 무엇을 개선할지 바로 보이기 때문입니다.

7. 다음 AX 과제는 ‘어떤 숫자로 어떤 결정을 바꿀지’에서 시작하세요

Timestral이 모든 수요예측 문제를 해결했다는 결론은 아직 이릅니다. 간헐적 수요, 신상품, 갑작스러운 행사, 시장 변화, 누락된 재고 정보가 있는 업무에서는 모델 크기와 별개로 새로운 검증이 필요합니다.

그럼에도 작은 공개 예측 모델은 실용적인 출발점입니다. 회사가 이미 가진 숫자로 시험하고, 기존 방식보다 나은지 확인한 뒤, 도움이 되는 결정에만 적용할 수 있습니다. 기술 선택보다 먼저 다음 세 질문에 답해 보세요.

1. 어느 주기로 어떤 기간의 숫자를 예측해야 실제 결정이 달라지는가?
2. 틀렸을 때 과소 예측과 과대 예측 중 어느 쪽의 손실이 더 큰가?
3. 기존 방식과 비교해 개선이 없으면 중지할 기준이 있는가?

LeanX는 데이터 정리부터 예측·업무 규칙·담당자 검토를 잇는 작은 AX 실험을 설계합니다. 재고나 문의량처럼 숫자는 쌓이는데 결정은 여전히 감에 의존하는 업무가 있다면 첫 수요예측 실험 범위 정하기에서 대상과 평가 기준부터 정리해 보세요.

공식 출처

• Mistral — Introducing Timestral, 2026년 10월 15일
• Mistral AI — Timestral 공식 코드 저장소·실행 방법·코드 및 가중치 라이선스 구분
• Mistral AI — Timestral-209M 공식 모델 카드