Les nouveautés révolutionnaires de BigQuery en IA et ML

BigQuery a récemment dévoilé une pléthore d’innovations qui promettent de redéfinir les contours de l’analyse des données. Parmi les ajouts notables, on trouve le modèle TimesFM pour les prévisions, des capacités génératives d’IA, et une amélioration marquée des analyses de contribution. Ces outils ne sont pas que des gadgets technologiques; ils offrent des solutions concrètes et intelligentes aux défis du monde réel. Mais quel est le véritable impact de ces avancées sur votre business ?

Le modèle de prévision TimesFM

Entrons dans le vif du sujet avec le modèle de prévision TimesFM intégré à BigQuery, un petit bijou qui transforme la prévision des séries temporelles en un exercice aussi fluidifiant que de plonger dans un lac de limonade. Les analystes de données, que dis-je, les oracles modernes, peuvent enfin dire adieu aux jours de souffrance où il fallait jongler entre des algorithmes tortueux et des modèles à la complexité digne d’un casse-tête en origami. Ici, avec TimesFM, on a plutôt un modèle qui vous fait l’honneur de vous tenir la main, tout en vous emmenant faire un tour dans le monde chatoyant des prévisions efficaces et évolutives.

La force de TimesFM réside dans sa capacité à gérer des volumes de données si vastes qu’ils pourraient faire rougir un océan de ketchup. En effet, ce modèle est conçu pour s’adapter à l’échelle ; il croît avec vos données, et la courbe de votre succès doit un peu se pavaner, à côté de la sienne. Que vous soyez sur le point de prédire les ventes de votre petite quincaillerie ou de planifier les lancements de produits de Google, TimesFM est là, prêt à dégainer ses armes avec une simplicité déconcertante.

Voyons un exemple de code qui démontre l’utilisation de la fonction AI.FORECAST, cette petite merveille de magie noire algorithmique. Prêts ? Allons-y :

SELECT
  TIMESTAMP,
  sales,
  AI.FORECAST(MODEL `my_project.my_dataset.sales_forecasting_model`,
    TIMESTAMP) AS forecast_sales
FROM
  `my_project.my_dataset.sales_data`
WHERE
  TIMESTAMP BETWEEN '2023-01-01' AND '2023-12-31' 

Utiliser cette fonction, c’est comme faire du vélo, sauf qu’on glisse sur un tapis volant avec un vent doux qui soulève doucement nos soucis. Les résultats produit par TimesFM sont rapidement disponibles, n’obligeant plus les analystes à attendre plus longtemps que pour une freelance qui a promis un rendu la veille et qui n’a toujours pas livré.

En incorporant une mécanique tellement fluide, cette approche rend la prévision des séries temporelles presque limpide, alors qu’elle pouvait être auparavant aussi opaque qu’un vieux bulletin météo. Si vous souhaitez en savoir plus sur l’utilisation de BigQuery pour construire des modèles IA et prédictifs, vous pouvez consulter cet article. Qui sait, il pourrait bien vous inspirer à être le prochain Nostradamus des data sciences.

Extraction et génération de données structurées avec les LLM

Dans un monde où le non-structuré règne en maître comme un dictateur sur le flambeau titanesque des données, BigQuery a décidé de prendre les choses en main avec son ultime arme secrète : la fonction AI.GENERATE_TABLE. Oui, vous avez bien entendu ! C’est la panacée tant attendue pour ceux qui se débattent dans le charivari des données désordonnées. Imaginez un peu : d’un coup de récipient algorithmique, ce petit bijou extrait des données organisées de l’immense chaos qui se présente à lui. Comme un magicien qui aurait finalement troqué son chapeau à rabbits contre un algorithme de générations de tables.

L’AI.GENERATE_TABLE joue la belle role de l’alchimiste des temps modernes. Donnez-lui une formation de données non structurées, et elle réagit avec la vivacité d’un serveur qui sait qu’un client a oublié son pourboire. Vous voulez transformer un amas de textes disparates en joyeuses structures données ? Pas de souci, votre commande arrive en un clin d’œil. Plus besoin de batailler avec des champs infinis, des listes en désordre et des colonnes qui se moquent ouvertement de votre santé mentale.

Voici comment transformer cet obscur amas en un chef-d’œuvre SQL. Prenons un exemple pratique, pas celui d’un dîner de gala, mais de l’extraction de données de feedback clients, parce que c’est encore plus palpitant que de suivre une série TV sur Netflix :

SELECT * FROM AI.GENERATE_TABLE( 
    'SELECT feedback FROM customers', 
    OPTIONS(auto_explained="true"));

Avec cette requête, BigQuery va parcourir tout le méandre de la base de données, déballant les retours clients comme un magicien qui sort des oiseaux de sa manche. Le résultat ? Une table bien rangée où chaque commentaire est classé et trié, comme une bibliothèque anarchique relookée par un architecte de l’informatique. Et voilà, en quelques lignes de code, le fouillis de non-structuré se mue en un océan de données structurées, prêtes à être analysées et à briller sous les feux des projecteurs d’une data science raffinée.

En résumé, il semble que l’avenir de l’analyse de données ne soit pas seulement dans les mains de ceux qui s’entraînent à jongler avec des chiffres, mais aussi dans celles de ceux qui osent s’attaquer au désordre complet grâce à AI.GENERATE_TABLE. Un vrai bonheur pour les analystes, un vrai cauchemar pour les boute-en-train de la désorganisation. Qui aurait cru que passer de l’infusion chaotique à l’élaboration de données impeccables serait aussi simple ? Alors, à vos LLM, prêts, partez ! Regardez donc ici pour en savoir plus.

Analyse des contributions et nouvelles fonctions LLM

Ah, l’analyse des contributions, cette discipline tant redoutée, où les erreurs grotesques d’interprétation se mêlent aux chiffres froids comme une salade de fruits défendue par un perfide socio-psychologue. Dans le monde des métriques d’affaires, comprendre pourquoi les chiffres fluctuent telle une balade en montagnes russes n’est pas une mince affaire. Mais n’ayez crainte, BigQuery se dote de nouvelles fonctions LLM, dégainant des outils plus flexibles que votre oncle à la soirée de Noël pour vous aider à démêler cette jungle de données.

Au cœur de cette saga, l’analyse des contributions s’érige tel un phare dans la tempête des indicateurs. Imaginez vos métriques d’affaires comme des marins un soir de tempête. Qui d’autre que l’analyse des contributions pour les guider vers des eaux plus calmes ? Grâce à cet outil, il devient possible de déceler non pas le coupable, mais plutôt la multitude de facteurs responsables des variations de performances. Finis les blâmes à l’aveuglette et bonjour à l’analyse diaboliquement précise. Avec un peu d’un outil comme BigQuery, les responsables des prises de décision peuvent explorer les impacts de chaque variable sur le tableau de bord, un peu comme un sommelier qui aurait enfin compris que le vin ne se marie pas avec le vinaigre.

D’ailleurs, parlons des nouvelles fonctions LLM. Si vous pensiez que le SQL ne pouvait pas être manipulé de manière plus dynamique qu’une danse contemporaine, détrompez-vous. Ces fonctions permettent de donner le ton à vos requêtes SQL, les rendant plus expressives tout en simplifiant la compréhension des données. Imaginez par exemple une requête où vous pourriez non seulement filtrer, mais analyser et présenter vos résultats avec une finesse digne d’un chef étoilé.

SELECT product_category, 
       AVG(sales) AS average_sales,
       COUNT(order_id) AS total_orders,
       LLM_ANALYZE_CONTRIBUTION(sales, factors) AS impact_factors
FROM sales_data
GROUP BY product_category;

Dans cet exemple, nous voyons comment les fonctions LLM peuvent mettre en lumière les impacts des différentes catégories sur les ventes. Oui, il est temps de troquer le pessimisme ambiant contre une analyse minutieuse, où chaque élément trouve sa place sur l’échiquier des affaires. Vous n’allez tout de même pas vous contenter de bousculer des neurones pour la beauté du geste ? Non, on vise la performance, et BigQuery vous y invite avec un sourire sardonic!

Conclusion

Avec ces avancées, BigQuery renforce sa position comme un acteur incontournable dans le paysage de l’analyse de données. Le modèle TimesFM bouleverse la façon dont les prévisions sont réalisées, tandis que les nouvelles fonctions LLM et l’analyse de contribution rendent l’exploration des données plus accessible et intelligible. Ces outils transforment les données en insights exploitables, ouvrant la voie à des décisions éclairées. Une révolution silencieuse, mais ô combien puissante.

FAQ

Qu’est-ce que le modèle TimesFM ?

Le modèle TimesFM est un modèle de prévision intégré à BigQuery, permettant des prévisions précises sur des séries temporelles sans nécessiter d’entraînement préalable.

Comment puis-je extraire des données structurées avec BigQuery ?

Utilisez la fonction AI.GENERATE_TABLE pour générer des tables structurées à partir de données non structurées, en définissant simplement un schéma de sortie.

Quels sont les avantages de l’analyse de contribution ?

L’analyse de contribution aide à identifier les facteurs clés influençant les modifications de métriques, ce qui simplifie la prise de décision basée sur les données.

Comment utiliser les nouvelles fonctions LLM dans BigQuery ?

Les nouvelles fonctions LLM vous permettent de réaliser des inférences au niveau des lignes et d’intégrer facilement des modèles d’IA dans vos requêtes SQL.

Puis-je utiliser des modèles open-source avec BigQuery ?

Oui, BigQuery permet l’utilisation de modèles open-source via des points de terminaison gérés par le client, offrant une flexibilité accrue aux développeurs.

Sources

Google Cloud

What’s new with BigQuery AI and ML? https://cloud.google.com/blog/products/data-analytics/bigquery-adds-new-ai-capabilities