Les nouvelles fonctionnalités de BigQuery AI et ML

BigQuery réinvente les règles du jeu en matière d’IA et de ML avec des nouveautés déroutantes. Que se cache-t-il derrière le jargon technique ? Des modèles de prévision à la génération de données structurées à l’aide de modèles de langage, ce tour d’horizon dévoile comment ces capacités transforment les scenarios commercial de manière inattendue. La question est : êtes-vous prêts à plonger dans cet océan d’innovation ?

Le modèle de prévision TimesFM

Le modèle de prévision TimesFM intégré à BigQuery représente une véritable révolution dans le monde joignant l’absurde et la précision statistique. Si d’ordinaire, prédire l’avenir est réservé aux astrologues et à ceux qui vendent des amulettes sur Internet, BigQuery fait un caprice et propose une approche rationnelle où la magie des chiffres rencontre l’enchantement de l’intelligence artificielle. Voilà le grand pas vers un monde où les paris risqués sur la météo économique ne deviendront qu’un lointain souvenir.

TimesFM, ce petit bijou de l’analytique, permet de modéliser des séries temporelles comme un chef cuisinier qui jonglerait avec des oranges tout en récitant du Molière. Grâce à son mécanisme de traitement en profondeur, il prend en charge des données multivariées sans même transpirer. Le fantôme des prévisions chaotiques s’évapore, laissant place à des prédictions limpides qui ne manqueront pas de vous éblouir lors de votre prochaine réunion hebdomadaire.

Imaginez-vous en train de demander à TimesFM : « Que vont être mes ventes le mois prochain ? » et de recevoir une réponse presque garantie. C’est beau, non ? Comme un cabaret, sauf que les artistes font des calculs au lieu de chanter et danser. Pour exploiter cette fonctionnalité, vous pouvez utiliser des requêtes SQL aussi élégantes qu’efficaces. Voici un exemple pour vous mettre dans l’ambiance :

CREATE MODEL `your_project.your_dataset.your_model`
OPTIONS(model_type='timeseries', time_series_timestamp_col='timestamp', data_frequency='auto') AS
SELECT * FROM `your_project.your_dataset.your_data`;

Voici donc une requête qui pourrait bien intéresser votre directeur : vous créez un modèle basé sur votre série temporelle avec des données qui peuvent faire pâlir d’envie un oracle. Qui aurait cru que le SQL pouvait devenir le meilleur ami des entrepreneurs ? Si vous ressentez une légère sueur à l’idée d’intégrer cette fonctionnalité, juste un petit rappel que l’innovation est souvent le fruit d’une audace mal placée.

En ajoutant ce modèle avancé à votre arsenal d’analyse de données, vous devenez l’équivalent numérique du ninja de la prévision, capable de balayer tous les futurs possibles comme on balaie des miettes invisibles. Inutile d’attendre l’alignement des planètes pour faire des choix éclairés, il suffit d’une connexion BigQuery et du modèle TimesFM. Vous pouvez même lire cet article pour plonger plus profondément dans les merveilles que ce modèle offre : Forecasting the Future with BigQueryML, mais je suis sûr que vous préférerez le lire pendant votre pause café pour un maximum d’effet.

Extraction et génération de données structurées avec LLM

Dans un monde où les données se prélassent dans des formats indécis, se baladant comme des hippies en quête de leur propre personnalité, BigQuery AI débarque, armé de sa fonction AI.GENERATE_TABLE, tel un super-héros en spandex, prêt à imposer l’ordre sur le chaos des données non structurées. À ceux qui crient à l’impossible, sachez qu’il existe un moyen de dompter cette ancienne fureur d’apprendre à donner du sens où il n’y en a pas. En termes simples, BigQuery nous offre la possibilité de structurer des informations comme un artisan du Data, sculptant des chefs-d’œuvre à partir de blocs de marbre brut.

Imaginez un instant que vous ayez un tas de commentaires clients, un joyeux bazar d’opinions éparpillées, et que vous souhaitiez en extraire des insights précieux. La beauté avec AI.GENERATE_TABLE réside dans sa capacité à transformer ces données en un tableau clair, lisible, et surtout exploitable. Un peu comme faire un collage à partir de vieux magazines, mais sans la colle qui vous colle les doigts.

Pour ceux qui aiment jongler avec SQL, voici comment s’y prendre. À partir de vos données non structurées, vous pourriez concocter une requête du genre :

SELECT comment, 
       AI.GENERATE_TABLE(comment) AS structured_data 
FROM customer_feedback
WHERE sentiment = 'positive'

Voilà ! En un claquement de doigt, vos énoncés vagues sont métamorphosés en tableaux précieux d’informations. À ce stade, on pourrait croire que la magie opère sans effort, mais peignez-le en réalité : ce processus est une aubaine pour les analystes désireux de prendre des décisions éclairées sans passer des heures à déchiffrer le jargon de l’internet.

Les applications professionnelles sont légion. Imaginez les chefs de produits, les équipes de marketing, et les directeurs de l’innovation, tous s’appuyant sur ces tables flambant neuves pour piloter leurs stratégies. Eh bien, croyez-moi, cela rend la réunion de brainstorming un peu moins tragique. Rappelez-vous : en affaires, une donnée bien structurée vaut son pesant d’or, surtout lorsqu’il s’agit de convaincre vos collègues que les tendances se cachent là où l’on s’y attend le moins. Course à l’innovation ou stade de la jungle ? À vous de choisir.

Pour les intrépides qui veulent plonger tête la première dans cet océan d’opportunités, je vous invite à explorer ce lien fascinant : découvertes enchantées. Qui sait, peut-être y trouverez-vous la recette secrète pour transformer des informations éparse en une symphonie harmonieuse de données ?

Fonctions LLM en ligne pour une flexibilité accrue

Ah, la flexibilité ! Un terme si prisé qu’il a déjà été utilisé pour décrire le yoga, la gestion du temps et, bien sûr, le dernier modèle de BigQuery AI. Ces nouvelles fonctionnalités, les fonctions LLM en ligne, s’inscrivent dans un mouvement qui vise à rendre la manipulation de données aussi aisée qu’enfilé des chaussettes un jour de pluie : un peu glissant, mais finalement satisfaisant.

Les Large Language Models (LLM), ces bêtes de somme du traitement de texte, ont trouvé leur place dans notre glorieux BigQuery, tel un poulet rôti au milieu d’une salade de fruits. Ce qui était autrefois un processus tortueux de manipulation de données est désormais aussi délicat qu’une danse en tutu sur pointes. Pour les férus de SQL (et ceux qui ne font que faire semblant), ces fonctionnalités permettent de générer des sorties structurées tout en équilibrant performance et lisibilité.

Imaginons une scène quotidienne : vous décidez de plonger dans un océan de données pour en tirer des informations claires. Avec les nouvelles fonctions LLM, vous pourriez par exemple prier le Saint SQL de vous fournir un résumé des ventes trimestrielles en un clin d’œil. Allez, voilà un petit exemple de ce que cela pourrait donner :

SELECT
  sales_summary(product_name, date_range)
FROM
  sales_data
WHERE
  region = 'Europe';

Avec une telle requête, BigQuery s’avère être non seulement un outil, mais aussi un complice inconscient de votre quête d’informations. Et parlons de ces résultats d’analyse avancée ! Grâce à l’intégration des LLM, vous pouvez désormais poser des questions ouvertes.

Qui aurait cru qu’une simple ligne de code pourrait devenir une conversation ? Passer d’une requête statique à une interaction plus dynamique, c’est comme passer d’une vache à un kangourou : ça peut sembler absurde, mais quelle agilité ! Si vous souhaitez explorer ces récentes améliorations, voici un lien pratique à consulter : BigQuery ajoute de nouvelles capacités AI.

En somme, les fonctions LLM en ligne de BigQuery transforment la manipulation de données en un ballet maîtrisé, où chaque pas est dicté par des algorithmes complexes, et où la souplesse d’esprit devient la nouvelle norme. Les analystes de données n’ont jamais été aussi proches d’un pas de danse sur la scène de la performance analytique.

Analyse de contribution et modèles d’IA

Analyser la contribution au sein de BigQuery ML, c’est un peu comme chercher à comprendre pourquoi votre chat a décidé de dormir sur le clavier d’ordinateur plutôt que sur le canapé. À première vue, c’est incompréhensible, fut-il poétique. Mais, comme avec chaque aspect des affaires, l’analyse de contribution éclaire de manière inattendue ce qui, initialement, semble obscur.

La fonctionnalité d’analyse de contribution permet d’attribuer des résultats à différentes variables d’entrée. Cela pourrait résoudre quelques mystères d’affaires comme les raisons pour lesquelles le taux de conversion de votre site est aussi stable qu’un escargot sur un chemin de terre. Par exemple, si vous constatez une baisse des ventes, comprendre pourquoi cette baisse intervient alors que votre marketing est plus percutant qu’un batteur de jazz en plein solo est essentiel. S’agit-il de la saison, de la concurrence ou de la couleur de vos boutons d’achat ?

En utilisant SQL, vous pouvez créer un modèle d’analyse de contribution qui assiste ce processus. À l’aide de l’algorithme de régression, vous pouvez simplement établir combien chaque variable contribue à votre métrique de sortie. Un petit exemple de code, juste pour faire frémir les amateurs :

CREATE OR REPLACE MODEL `votre_projet.votre_dataset.votre_modele`
OPTIONS(model_type='linear_reg') AS
SELECT 
  valeur_sortie,
  variable1,
  variable2,
  variable3
FROM 
  votre_table;

En remplaçant « valeur_sortie » par votre objectif (comme le revenu), et vos variables par celles que vous souhaitez tester, BigQuery prend les rênes. Vous vous retrouverez avec un modèle qui peut dire, avec une précision digne d’un horloger suisse, « voilà pourquoi vous ne faites pas beaucoup d’affaires ». Il suffit d’interroger le modèle pour voir la contribution de chaque variable. Qui aurait cru que la couleur du bouton prenait autant de place dans la soustraction de vos profits ? Dites adieu à l’oubli des nuances, car désormais, votre tableau de bord porte des lunettes !

Malgré sa simplicité apparente, l’analyse de contribution peut transformer une entreprise dans une telle mesure que le terme « rapport d’analyse » devrait être remplacé par « révélation existentielle ». Pour explorer davantage ces nouvelles fonctionnalités à la lumière de vos métriques, n’hésitez pas à consulter ce lien sur l’analyse de contribution. Parce qu’une bonne aspiration au changement ne fait jamais de mal, surtout quand elle vient avec des données précises.

Conclusion

Les nouvelles fonctionnalités de BigQuery ML apportent une touche de magie dans les analyses de données. Entre le modèle de prévision TimesFM et les nouvelles fonctions d’extraction de données, chaque outil promet de donner un coup d’accélérateur à votre rythme d’innovation. Dans ce monde où la rapidité et la précision sont primordiales, BigQuery semble bien décidé à ne jamais faire les choses à moitié. Restez connectés, cela ne fait que commencer.

FAQ

Qu’est-ce que le modèle TimesFM ?

Le modèle TimesFM est une prévision de séries temporelles intégrée à BigQuery, conçue pour simplifier le processus de prévision en utilisant des données massives et complexes.

Comment générer des données structurées à partir de données non structurées dans BigQuery ?

Vous pouvez utiliser la fonction AI.GENERATE_TABLE, qui extrait et génère des données structurées en spécifiant un modèle et un schéma de sortie.

Quelles sont les fonctions LLM en ligne ?

Ces fonctions LLM en ligne, telles que AI.GENERATE, permettent d’effectuer des inférences au niveau des lignes, offrant une manipulation plus flexible des données dans les requêtes.

Comment fonctionne l’analyse de contribution dans BigQuery ?

L’analyse de contribution aide à comprendre les facteurs qui influencent les changements dans les métriques commerciales en automatisant les analyses complexes.

Est-ce que BigQuery prend en charge des modèles open source ?

Oui, BigQuery permet l’intégration de modèles open source pour diverses tâches, vous donnant ainsi un choix étendu lors de l’analyse de données.

Sources

Google Cloud; Qu’est-ce qu’il y a de nouveau avec BigQuery AI et ML ?

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