Avis et détails du produit Nixtla

I like that it's easy to get started with Nixtla's SDK, which makes creating simple forecasts straightforward. It's convenient because I don't have to train my own machine learning models. Avis collecté par et hébergé sur G2.com.

Forecasting time series with sparse demand is very hard to do. It's not really possible to cross learn patterns with different weights on the different time series. Unfortunately, the Nixtla client does not provide a way for me to know how big the request is before it is sent. Instead, it just throws exception, and then I have to retry the request with different chunking parameters. Avis collecté par et hébergé sur G2.com.

I like the API and the quality of the forecasts we get. I appreciate the sensitivity to a lot of the time series features and the exogenous variables that we put in to see their impacts on our forecasts. Also, the initial setup of Nixtla was super easy, probably the easiest package to ever onboard to. Avis collecté par et hébergé sur G2.com.

I think we used to not see a huge impact with fine tuning. So maybe fine tuning could always be improved. Avis collecté par et hébergé sur G2.com.

Dans l'écosystème de Nixtla, j'apprécie particulièrement TimeGPT, que j'ai utilisé dans un projet axé sur la prédiction du kNDVI (Indice de Végétation par Différence Normalisée) à travers 214 351 séries temporelles dérivées d'un datacube géospatial. Le modèle a démontré une grande adaptabilité ; il a capturé efficacement les dynamiques de la végétation lorsqu'il disposait d'un contexte historique suffisant.

Avec un ajustement fin et l'inclusion de variables exogènes, TimeGPT a réalisé des prévisions fiables à long terme, surpassant les modèles traditionnels sur plusieurs métriques tout en reproduisant mieux la forme, l'amplitude et les dynamiques temporelles du signal kNDVI.

TimeGPT montre également un fort potentiel pour le comblement des lacunes et l'interpolation temporelle dans les séries temporelles dérivées de satellites, où les observations manquantes sont fréquentes en raison de la couverture nuageuse ou des limitations des capteurs. Lorsqu'il dispose d'un contexte historique complet, il généralise remarquablement bien les schémas temporels sous-jacents, ce qui en fait un outil précieux pour les applications d'observation de la Terre et de télédétection, à condition que des ressources informatiques adéquates et des informations contextuelles soient disponibles. Avis collecté par et hébergé sur G2.com.

Bien que TimeGPT soit un modèle puissant et bien conçu, son adaptation à la prévision géospatiale à grande échelle a présenté plusieurs défis. La principale limitation réside dans son manque de support natif pour les structures de données géospatiales, telles que les cubes de données ou les systèmes d'indexation spatiale (par exemple, H3, S2). Pour prévoir les signaux kNDVI, chaque cellule de la grille devait être manuellement convertie en un identifiant unique basé sur une chaîne combinant latitude et longitude, et les prévisions devaient être exécutées en plusieurs lots en raison des limites de l'API.

TimeGPT repose également sur des fréquences temporelles inférées et des variables exogènes prédéfinies, mais ne fournit pas encore de diagnostics d'importance des caractéristiques ou d'interprétabilité, ce qui rend difficile l'identification des variables qui influencent les prévisions.

Malgré ces défis, ces limitations sont compréhensibles compte tenu de la conception originale du modèle pour les séries temporelles univariées et représentent des opportunités pour un développement futur — en particulier vers une compatibilité géospatiale native et une meilleure interprétabilité du modèle. Avis collecté par et hébergé sur G2.com.

I appreciate Nixtla for its relatively easy-to-use way of forecasting time series in a zero-shot manner. The API is very straightforward to use, which I really like. The forecasting speed is impressive too, as it works a lot faster than the baseline models I'm comparing it with. The initial setup was quite easy, as the guide provided was helpful. Avis collecté par et hébergé sur G2.com.

I would say the only problem I have is the amount of API calls per month. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus, c'est la rapidité avec laquelle je peux obtenir des prévisions solides avec une configuration minimale. Les paramètres par défaut fonctionnent bien, l'API est propre, et elle gère de nombreuses séries chronologiques à la fois sans nécessiter de configurations supplémentaires. Avis collecté par et hébergé sur G2.com.

Parfois, les résultats ne sont pas vraiment excellents, et je ne sais pas pourquoi, donc peut-être que plus de diagnostics intégrés seraient vraiment utiles. Avis collecté par et hébergé sur G2.com.

convenience, efficiency, customisation - oh, and the possibility to forecast in one shot an entire panel of series Avis collecté par et hébergé sur G2.com.

not cheap! there are decent free alternatives out there, but lacking the constant upgrades and refinements of course Avis collecté par et hébergé sur G2.com.

I like Nixtla's flexibility and prediction power, which are particularly valuable for my analysis and statistical tasks. Avis collecté par et hébergé sur G2.com.

I get a sort of difficulty with the API connection, especially connecting it with my graphical user interface of RStudio. I had a problem with the SSH key, but I solved it thanks to the Nixtla team. Also, I guess the initial setup was not that easy. Avis collecté par et hébergé sur G2.com.

J'utilise principalement TimeGPT à des fins de recherche, et ce que j'apprécie le plus, c'est sa simplicité et son efficacité pour permettre des prévisions de haute qualité avec une configuration minimale. Le processus de mise en œuvre est fluide, et son intégration avec les environnements Python et Jupyter le rend particulièrement adapté aux flux de travail académiques et à la recherche reproductible. Avis collecté par et hébergé sur G2.com.

Je n'ai rencontré aucun problème — la plateforme a fonctionné de manière constante et fiable dans toutes mes applications de recherche. Avis collecté par et hébergé sur G2.com.

Ce que j'aime vraiment chez Nixtla, c'est la façon dont il rend les outils de prévision avancés faciles à utiliser et à enseigner. Pour mes étudiants en MBA et EMBA, c'est très important — ils peuvent passer des concepts de base à des projets de prévision concrets sans se perdre dans les détails techniques.

Les packages Nixtla — comme StatsForecast, NeuralForecast, et HierarchicalForecast et l'API TimeGPT — rassemblent une recherche solide et une mise en œuvre pratique. Ils fonctionnent rapidement, traitent bien les grands ensembles de données et fournissent des résultats fiables dès le départ. Cela me permet de montrer aux étudiants non seulement comment fonctionnent les modèles de prévision, mais aussi comment les utiliser dans des contextes commerciaux réels.

J'aime aussi l'esprit open-source derrière Nixtla. La documentation est claire, les exemples sont reproductibles, et l'équipe suit les dernières idées en matière d'IA et de prévision de séries temporelles. C'est devenu l'un de mes outils préférés pour enseigner les méthodes de prévision modernes de manière accessible et pratique. Avis collecté par et hébergé sur G2.com.

Il n'y a honnêtement pas grand-chose à ne pas aimer — Nixtla est devenu l'un de mes outils de prédilection pour l'enseignement. Mais si je devais souligner quelque chose, je dirais qu'il manque une interface Web pour les débutants, en particulier pour les étudiants en MBA qui sont nouveaux dans les concepts de Python ou de prévision. La documentation est solide, mais elle suppose parfois un peu de connaissances techniques. Avis collecté par et hébergé sur G2.com.

J'adore que ce soit un projet mexicain local avec une ingénierie de classe mondiale. Ses modèles sont incroyablement faciles à utiliser avec quelques lignes de code, rapides et rentables, et le catalogue est très diversifié : des bases statistiques classiques, en passant par les méthodes d'apprentissage automatique, jusqu'aux modèles neuronaux et de fondation comme TimeGPT. J'ai plus d'expérience avec la bibliothèque statsforecast, qui, si vous avez déjà utilisé le package `forecast` de Dr Rob Hyndman dans R, vous vous sentirez comme chez vous : l'API semble familière tout en ajoutant de nombreuses commodités modernes. En plus de cela, des extras tels qu'une riche suite de métriques d'erreur, une validation croisée intégrée, des générateurs de caractéristiques statistiques, une exécution évolutive sur Pandas et PySpark, des intervalles de prévision probabilistes, et même un assistant IA intégré sur sa page web pour rendre le travail quotidien sur les séries temporelles délicieusement productif. Avis collecté par et hébergé sur G2.com.

La validation croisée, bien que puissante, est encore difficile à configurer et pas très intuitive. Malgré l'assistant IA pratique, une documentation en ligne plus claire et davantage d'exemples d'utilisation feraient gagner du temps, surtout lorsque les hallucinations de l'IA vous obligent à vérifier les sources primaires. Enfin, cela me surprend que la bibliothèque ne soit pas déjà beaucoup plus populaire ; quelque chose d'aussi bon mérite un public plus large ! Avis collecté par et hébergé sur G2.com.