Nouvelles capacités de BigQuery AI et ML

Vous pensiez que la magie de l’analyse de données se limitait aux graphiques en camembert ? Réfléchissez à deux fois. BigQuery a lancé un arsenal de nouvelles fonctionnalités qui transforment l’analyse des données en une danse harmonieuse entre l’intelligence artificielle et le machine learning. Préparez-vous à plonger dans le vif du sujet avec des outils tels que TimesFM pour des prévisions détonantes et l’extraction de données structurées grâce aux modèles de langage. Ce n’est pas un rêve, c’est la nouvelle réalité de BigQuery.

Modèle de prévision TimesFM

Ah, le modèle de prévision TimesFM dans BigQuery. À chaque fois que j’entends ce nom, je m’imagine une fête où l’on célèbre non pas les gâteaux, mais des prédictions pertinentes. Car, avouons-le, qui a réellement besoin de deviner l’avenir en s’appuyant sur une boule de cristal si on a un modèle aussi sophistiqué ?

TimesFM, ce petit bijou de BigQuery AI et ML, est une boîte à outils pour jongler avec vos données temporelles comme un clown sous acide. En gros, ce modèle utilise le fameux « Factorization Machine », lui permettant de gérer les effets de saisonnalité, de tendance, et d’autres éléments qui pourraient pimenter vos courbes de données plus qu’un bon piment d’Espelette. La magie opère grâce à son algorithme qui démêle le chaotique en le rendant digestible, comme une purée de pois chiches pour un gourmet exigeant.

Qu’est-ce que ça apporte aux entreprises, me direz-vous ? Eh bien, pour commencer, une clarté sans précédent dans un paysage de données tout aussi sombre qu’un épisode de *Black Mirror*. Les entreprises peuvent désormais prévoir leurs ventes, optimiser leurs stocks, et même anticiper les besoins en ressources humaines, à condition que ces dernières n’aient pas décidé de prendre des vacances de 3 semaines à Bali. C’est le genre de détails qui, en théorie, de la gestion dynamique, pourrait faire briller n’importe quel directeur général.

Examinons un exemple de code SQL qui fait appel à la fonction AI.FORECAST. C’est propre, ça roule, et surtout, ça évite de se sentir comme un éternel novice en data science :

CREATE OR REPLACE MODEL `project.dataset.model`
OPTIONS(model_type='timeseries',
        time_series_timestamp_col='date',
        time_series_data_col='revenue') AS
SELECT date, revenue
FROM `project.dataset.table`;

Avec ce simple morceau de code, vous pouvez vous lancer dans la prévision de votre future prospérité. Bien sûr, un modèle sans données est comme un livre sans mots — magnifique, mais totalement inutile. Assurez-vous donc d’alimenter ce modèle avec des données pertinentes. Pour en savoir plus sur ce bijou technologique, vous pouvez toujours jeter un œil ici.

Extraction et génération de données structurées avec les LLMs

Ah, la magie des LLMs (modèles de langage à grande échelle), ce miracle technologique qui a décidé de sortir des entrailles des données la quintessence de l’information brute. Imaginez un python nourrissant de l’ultra-processed data, le tout enrobé d’algorithmes finement aiguisés ! Grâce à ces charmants ingrats, BigQuery a franchi un nouveau cap : l’extraction et la génération de données structurées à partir de données non structurées. Une sorte de jardinage numérique où l’on taille, on sculpte, on ajoute un peu de compost d’intelligence artificielle, et hop, des résultats qui feraient pâlir d’envie tout botaniste amateur.

La fonction AI.GENERATE_TABLE, quant à elle, est comme la baguette magique d’un sorcier des temps modernes. En un clin d’œil, elle transforme un océan de texte chaotique en une table de résultats bien rangée, prête à être analysée. Pensez à elle comme à un sommelier des données : elle vous sert les meilleurs crus tout en éliminant les bouchons.

En pratique, l’usage est d’une simplicité déconcertante. Prenons un exemple tiré tout droit de l’actualité : imaginez que vous souhaitiez analyser des commentaires clients. Les retours, souvent un pot-pourri du bon et du mauvais, peuvent être transformés en une table où chaque ligne représente un sentiment, une opinion. Car après tout, qui a dit que la vérité devait rester obscure ? Avec un petit SQL bien dosé, voilà ce que pourrait donner votre quête :

SELECT * 
FROM AI.GENERATE_TABLE(
    MODEL `your_project.your_model`, 
    (SELECT comments FROM `your_dataset.customer_feedback`)
)

Avec cette commande, vous n’aurez pas seulement extrait des données, mais vous aurez aussi amené un peu de clarté dans le flou ambiant. Vous remarquerez qu’on peut soulever quelques hochements de tête admiratifs ici, car l’alambic de BigQuery distille l’essence même de chaque feedback.

Les cas d’utilisation sont multiples : la gestion des logs devient enfin compréhensible, les relevés d’activité se transforment en rapports exploitables. En choisissant d’exploiter ces modèles, vous ne faites pas qu’extraire de l’information ; vous vous retrouvez face à un assistant numérique qui, bien que potentiellement néfaste pour votre carrière d’analyste global, pourrait vous faire gagner en productivité. Car n’oublions pas : en data, il ne suffit pas d’avoir raison ; il faut surtout avoir raison tôt. Pour en savoir plus sur ces bienfaits d’AI.GENERATE_TABLE, visitez le guide officiel.

Analyse des contributions pour des décisions éclairées

Ah, l’analyse des contributions dans BigQuery, le dernier film à gros budgets de la série « Donnez-moi des données, je mettrai la magie ! » Pour les novices, cela peut ressembler à un mélange improbable de théories du chaos et de salsa, mais restez avec moi, il y a une belle danse à faire ici.

Avec sa nouvelle fonctionnalité d’analyse des contributions, BigQuery promet de transformer votre sac à dos de données en un grill à barbecue à ciel ouvert. On enroberait la viande statistique d’épices d’automatisation, pour enfin obtenir des insights avec la précision d’un horloger suisse. En effet, l’automatisation de l’analyse des données est un peu comme un robot cuisinier qui ne brûle jamais votre dîner : un vrai bonheur pour les entreprises qui préfèrent ne pas se casser la tête à analyser des feuilles Excel pendant des heures.

Imaginons la scène : vous êtes une entreprise, vos métriques varient plus qu’un chat sur un toboggan. Grâce à la magie de l’analyse des contributions, vous pouvez identifier les facteurs clés influençant ces variations. Bien sûr, cela nécessite des instructions SQL. Pourquoi parler d’un plat sans en dévoiler la recette ? Voici un aperçu :

CREATE MODEL `votre_projet.votre_datasets.votre_modele`
OPTIONS(model_type='linear_reg') AS
SELECT
  * EXCEPT(label),
  (SELECT
    contribution
   FROM
     `votre_projet.votre_datasets.votre_table`
   WHERE
    type = 'facteur'
  ) AS contribution
FROM
  `votre_projet.votre_datasets.votre_table`;

Et voilà ! Vous avez maintenant un modèle d’analyse des contributions qui pourrait facilement rivaliser avec un détecteur de mensonges lors d’un interrogatoire. Grâce aux identifications des facteurs affectant vos métriques, vous pouvez faire des choix éclairés, comme un sommelier qui sélectionne le vin parfait pour accompagner votre plat de spaghetti.

Cette pratique ne devrait pas devenir une autre pierre dans vos chaussures. Au lieu de cela, laissez-la vous guider avec la légèreté d’un fou de cirque. En adoptant cette fonctionnalité, vous saisirez les dynamiques cachées dans vos données, mettant ainsi votre entreprise sur la voie d’une prise de décision basée sur des analyses et non sur des conjectures. Et il ne vous reste plus qu’à vous demander : la bière ou le soda pour accompagner ce festin d’algorithmes ?

Choix de modèles élargi avec BigQuery ML

Avec l’élargissement des choix de modèles dans BigQuery ML, nous entrons dans un monde où l’analytique se prend des libertés. Imaginez un dîner, où les modèles open-source et tiers viennent s’inviter à la table des modèles natifs. Ça ne manque pas de piquant, n’est-ce pas ? À l’heure où le minestrone des algorithmes bouillonne et où les recettes de machine learning se contrefont selon les caprices de la mode, BigQuery ML ne se refuse rien et nous propose une carte de choix qui ferait rougir bien des restaurants étoilés.

Pour comprendre cet art culinaire mathématique, prenons un instant pour déguster un des ingrédients phares de ce buffet : l’accès aux modèles via SQL. Oui, mesdames et messieurs, SQL, ce compagnon de route pour qui tout doit être clair et concis, se voit ici faire le tour du monde des modèles en un battement de cil. Plus de soucis de compatibilité, les gourmets de l’analyse de données peuvent maintenant piocher dans un répertoire élargi qui va de l’arbre de décision à la régression logistique, en passant par des modèles plus exotiques comme les réseaux de neurones. On frôle l’euphorie, et pas besoin d’un traitement à l’analytique pour savourer cette nouvelle !

Exemple concret ? Imaginons que vous ayez des données sarclées dans un coin, juste à côté d’une pile de widgets à analyser. D’un simple CREATE MODEL, vous pouvez intégrer un modèle TensorFlow dans votre projet BigQuery. Voici la recette de la victoire :

CREATE MODEL `mon_projet.mon_modele`
OPTIONS(model_type='tensorflow', model_path='gs://mon_bucket/mon_modele')
AS SELECT *
FROM `mon_projet.ma_table`;

Voilà, mes amis, comment mixer du TensorFlow avec une simple commande SQL et se retrouver avec un plat étoilé en analyses avancées. Cela ouvre une ère d’innovation où la flexibilité est reine et où le champ des possibles s’étend bien au-delà du dessert traditionnel. Si vous êtes en quête d’une explosion de saveurs analytiques, je ne saurais trop vous recommander de jeter un œil à cette révélation de BigQuery. C’est un vrai buffet à volonté, mais attention, ne se révèle pas à ceux qui pensent que la cuisine se limite aux pâtes !

Conclusion

En intégrant des capacités d’IA et de ML directement dans ses workflows, BigQuery redéfinit la manière dont les entreprises interagissent avec leurs données. Que ce soit à travers des prévisions précises, une extraction efficace de données ou une analyse des contributions, chaque nouvelle fonctionnalité offre des perspectives inédites et des solutions intelligentes. Les données ne sont plus un fardeau, mais une opportunité, et BigQuery se positionne comme le catalyseur de cette nouvelle ère.

FAQ

Qu’est-ce que le modèle TimesFM ?

C’est un modèle pré-entraîné utilisé pour des prévisions de séries chronologiques, simplifiant drastiquement les tâches de prévision dans BigQuery.

Comment fonctionne AI.GENERATE_TABLE ?

Cette fonction facilite l’extraction et la génération de données structurées à partir de données non structurées, en utilisant des modèles de langage pour créer des tables selon un schéma défini.

Qu’est-ce que l’analyse des contributions dans BigQuery ?

C’est une fonctionnalité qui identifie les facteurs clés influençant des changements dans les métriques, facilitant ainsi une analyse approfondie et automatisée.

Quels modèles peuvent être utilisés avec BigQuery ML ?

BigQuery ML propose des modèles propriétaires comme Gemini ainsi que des modèles open-source et tiers, élargissant ainsi les capacités d’analyse.

Comment débuter avec ces nouvelles fonctionnalités ?

Les utilisateurs peuvent accéder à un crédit gratuit de 300 $ pour expérimenter ces nouvelles capacités de BigQuery AI et ML sur Google Cloud.

Sources

Google Cloud – What’s new with BigQuery AI and ML?

https://cloud.google.com/blog/products/data-analytics/bigquery-adds-new-ai-capabilities