Les données temporelles sont omniprésentes dans les applications d'apprentissage automatique, car elles évoluent constamment et sont cruciales pour la prise de décision. Par exemple, les variations des prix du marché, les conditions météorologiques ou les rythmes cardiaques fournissent des informations précieuses pour des tâches spécifiques. Cet article introduit Temporian, une nouvelle bibliothèque open-source développée en collaboration entre Google et Tryolabs, conçue pour faciliter le prétraitement et l'ingénierie des caractéristiques des données temporelles. L'article démontre comment utiliser Temporian avec TensorFlow Decision Forests pour entraîner un modèle de prévision des ventes hebdomadaires à partir de données transactionnelles. Les données temporelles peuvent être représentées de différentes manières, notamment sous forme de séries temporelles, de séries temporelles multivariées ou de séquences temporelles multi-index. L'article se concentre sur l'utilisation des séquences temporelles multi-index, également connues sous le nom d'ensembles d'événements, pour représenter des données transactionnelles complexes. Des exemples d'applications incluent la prévision météorologique, la surveillance de la qualité des sols, la maintenance prédictive et bien plus encore.