Startseite
Podcasts
Data Science Deep Dive Podcast
#102: [PAIQ5] Predictive AI Quarterly

#102: [PAIQ5] Predictive AI Quarterly

Data Science Deep Dive vor 2 Wochen

0:00

37:08

Die letzten Monate waren geprägt von neuen Foundation Models für
tabellarische und sequentielle Daten: TabPFN 3 skaliert auf eine
Million Beobachtungen, Google stellt mit TabFM ein eigenes Modell
samt BigQuery-Integration vor, NXAI veröffentlicht TiRex-2 mit
Kovariaten-Unterstützung, und an der Spitze von GIFT-Eval steht
mit STRIDE eine Kombination aus LLM-Reasoning und Time Series
Foundation Model. Dazu kommen der ClickHouse-MCP-Server und der
Stand der Umsetzung des EU AI Act nach dem Digital Omnibus. Im
Praxisteil vergleichen wir TabICL v2 mit einem getunten XGBoost,
Meta Prophet und naiven Baselines auf stündlichen NO2-Messwerten
von fünf Messstationen, ausgewertet über ein Jahr rollierender
Kreuzvalidierung mit dem Mean Absolute Scaled Error. Wir zeigen,
welches Feature-Engineering nötig ist, wie sich der Vorteil von
TabICL mit der Länge der Historie verändert und was das an
Rechenzeit kostet. Zum Schluss ordnen wir ein, wann sich ein
Foundation Model für Zeitreihen anbietet und wann XGBoost die
pragmatischere Wahl bleibt.

**Zusammenfassung**

TabPFN 3 (Mai 2026) skaliert auf einer H100 auf bis zu 1 Mio.
Beobachtungen; verbessertes KV-Caching senkt die Prognosezeit auf
0,1–3 ms pro Testbeobachtung und macht das Modell für schnelle
Batch-Prognosen nutzbar.

Googles TabFM ist von TabPFN und TabICL inspiriert, liegt im
TabArena-Benchmark vor TabPFN 3 und ist direkt in BigQuery
integriert.

TiRex-2 von NXAI setzt auf eine xLSTM- statt
Transformer-Architektur und kann jetzt zusätzliche Kovariate
einbeziehen – ein Test steht bei uns noch aus.

STRIDE führt den GIFT-Eval-Benchmark an: Das LLM
prognostiziert nicht selbst, sondern steuert über destillierte
Embeddings ein Time Series Foundation Model.

Kurz notiert: Der ClickHouse-MCP-Server (v0.4.1) erlaubt
LLM-Abfragen ohne SQL, etwa zur Log-Diagnose; beim EU AI Act
gelten die Transparenzpflichten seit August, die Kennzeichnung
von Bestandssystemen greift ab dem 2.12.2026.

Praxis-Setup: TabICL v2 mit Kalender-, Fourier- und
Lag-Features gegen getuntes XGBoost, Prophet, TabICL
out-of-the-box sowie Naive und Seasonal-Naive; stündliche
NO2-Daten, 24-Stunden-Horizont, Metrik MASE.

Ergebnisse: Bei zwei Jahren Historie liegt TabICL klar vorn,
bei rund 8.000–9.000 Trainingsbeobachtungen ist XGBoost praktisch
gleichauf, bei drei Monaten Historie noch etwa 4 % schlechter;
ohne jedes Feature-Engineering schlägt TabICL Prophet und die
naiven Baselines deutlich.

Kosten: Die Kreuzvalidierung mit TabICL auf einer L40S-GPU
dauert etwa 17-mal länger als mit XGBoost, auf CPU ist das Modell
nicht praktikabel – Caching dürfte diesen Nachteil künftig
verkleinern.

**Links**

Link zum begeleitenden Blogartikel "TabICL v2 für Zeitreihen:
Das In-Context-Learning-Modell im Vergleich mit XGBoost und
Meta's Prophet"
https://www.inwt-statistics.de/blog/tabicl_v2_fuer_zeitreihen

#72: TabPFN: Die KI-Revolution für tabulare Daten mit Noah
Hollmann https://www.podbean.com/ew/pb-94ri2-18aca83

#57: Mehr als heiße Luft: unsere Berliner
Luftschadstoffprognose mit Dr. Andreas Kerschbaumer
https://www.podbean.com/ew/pb-u6xwt-16ff139

TabPFN-3 Technical Report:
https://priorlabs.ai/technical-reports/tabpfn-3

TabPFN auf GitHub: https://github.com/PriorLabs/TabPFN

Google Research zu TabFM:
https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/

TabFM in BigQuery:
https://cloud.google.com/blog/products/data-analytics/tabfm-adds-predictive-ml-to-bigquery

TiRex-2 (NXAI): https://www.nx-ai.com/en/tirex-2 | Code:
https://github.com/NX-AI/tirex-2 | Paper:
https://arxiv.org/abs/2607.01204

STRIDE – Reasoning-Aware Training for Time Series
Forecasting: https://arxiv.org/abs/2605.08625

Time Series LLMs am Beispiel t0-alpha:
https://towardsdatascience.com/time-series-llms-explained-with-t0-alpha/

ClickHouse MCP Server:
https://github.com/ClickHouse/mcp-clickhouse

EU AI Act nach dem Digital Omnibus (Überblick):
https://www.deloitte.com/de/de/issues/innovation-ai/eu-ai-act-digital-omnibus.html

TabICL v2 auf GitHub: https://github.com/soda-inria/tabicl

TabICL-Dokumentation:
https://tabicl.readthedocs.io/en/latest/

Tutorial zum TabICLForecaster:
https://tabicl.readthedocs.io/en/latest/tutorials/time_series_forecasting.html

Meta Prophet: https://github.com/facebook/prophet

GIFT-Eval Leaderboard:
https://huggingface.co/spaces/Salesforce/GIFT-Eval

TabArena Leaderboard:
https://huggingface.co/spaces/TabArena/leaderboard

Fragen, Feedback oder Themenwünsche? Schreibt uns gern an:
podcast@inwt-statistics.de