Les nouveautés de BigQuery AI et ML

BigQuery n’est pas que le nom d’un pot de yaourt sans lactose. C’est aussi la dernière ruse de Google pour transformer vos désirs de données en solutions AI et ML brillantes. Avec l’intégration de nouvelles fonctionnalités, BigQuery se transforme en un véritable coffre à outils pour tous ceux qui osent plonger dans l’analyse prédictive et générative. Quelles différentes pépites a apporter cette mise à jour ? Découvrons-le ensemble.

Le modèle de prévision TimesFM

Le modèle TimeFM, qui débarque dans le vaisseau amiral de BigQuery, est un peu comme l’ado en crise qui fait sa première sortie en soirée : il a du potentiel, mais il est bon de vérifier qu’il ne va pas se perdre sur le chemin. En gros, il promet de transformer vos précieuses prévisions chronologiques en une requête aussi simple qu’une recette de pâtes cuites à l’eau. Comme un bon plat de spaghetti, ça a l’air simple mais nécessite quelques ingrédients bien choisis, une pincée d’intuition et une bonne dose de patience.

Fonctionnement ? Rassurez-vous, pas besoin de porter une blouse blanche ou de troquer votre café contre un café filtre. TimeFM utilise des modèles de séries temporelles, ce qui veut dire qu’il va examiner les données passées pour établir des prévisions sur l’avenir. En gros, il prend votre historique de données, y rajoute un soupçon de magie algorithmique, et hop ! Vous obtenez des prévisions qui peuvent rivaliser avec l’horoscope d’un médium de la rue. Sauf que, cette fois, il n’y a pas d’étoiles à consulter, juste des chiffres.

• Avantage numéro un : vous allez réduire votre charge de travail en automatisant des analyses qui vous prenaient autrefois des heures sur Excel. Plus besoin de suer à l’idée de remplir des tableaux de prévisions en vous demandant qui a eu cette idée bizarre.
• Avantage numéro deux : vos prévisions auront la qualité des meilleurs fins gourmets, puisque TimeFM apprend continuellement de vos données. C’est un peu comme un bon fromage : il ne fait qu’améliorer avec le temps.

Comme tout modèle inconnu, il a ses subtilités. Pour l’implémentation, observez bien : il faut s’assurer que vos données sont au top. Un peu comme entrer dans un restaurant cinq étoiles pour découvrir que vous n’avez pas pris de réservation. Une SELECT mal formulée en ligne de commande et c’est le drame, la prévision s’envole !

Exemple concret : si vous souhaitez prévoir vos ventes, une requête basique pourrait ressembler à ceci :

SELECT 
    TIMESTAMP, 
    item_id, 
    TimeFM(item_id, TIMESTAMP, sales_amount) AS forecast 
FROM 
    sales_data 
GROUP BY 
    TIMESTAMP, item_id;

Avec cela, fini le stress de la prévision, et place aux soirées tranquilles à siroter du café – bien que, pour être honnête, rien n’empêche le stress de revenir lors des révisions trimestrielles. À ce moment-là, vous aurez juste besoin de votre café et, qui sait, d’un bon lien vers un expert en IA comme par exemple celui-ci.

Extraction et génération de données structurées avec les LLM

Ah, les LLM… ces charmants petits monstres capables de transformer du texte écrasé en or structuré à la vitesse d’un hamster sous caféine. Avec la fonction AI.GENERATE_TABLE de BigQuery, nous passons du chaos des données non structurées à l’élégance de tableaux bien rangés. C’est un peu comme si l’on essayait de plier un origami à partir d’une mèche de cheveux : pas simple, mais avec un peu de pratique, on finit par se rapprocher de la beauté.

Imaginez le combat de deux titans : d’un côté, vos feuilles de calcul endommagées, où les noms des clients côtoient joyeusement les restes d’un vieil inventaire de chaussettes, et de l’autre, le puissant AI.GENERATE_TABLE. Grâce à cette fonction, il est désormais possible d’extraire ces joyaux ensevelis sous la poussière à l’aide d’un simple appel de fonction. Vous allez enfin profiter de ces données comme un chat profite d’un rayon de soleil : bien installé et complètement serein.

Pour illustrer, prenons un exemple. Supposons que vous ayez un fichier texte non trié contenant des retours clients, des pleurnicheries sur le service, et peut-être quelques exemples de requis d’achats. En lançant un AI.GENERATE_TABLE(content), BigQuery va se plonger dans votre bric-à-brac et en sortir un tableau structuré, classant tout cela par sentiment, type de réclamation, et même l’humeur du client, s’il y en avait une. Qui aurait cru que des plaintes sur des livraisons retardées pouvaient devenir des données ? Summer of Love, version BigQuery.

Cette automatisation rend votre flux de travail aussi fluide qu’un limonadier dans un restaurant étoilé : pas de maux de tête, juste une extraction pure et sans heurts. En utilisant AI.GENERATE_TABLE, on passe de la cacophonie des mots à la mélodie de l’analyse de données. La magie de l’intelligence artificielle, ou comme j’aime l’appeler, l’assistant personnel qui ne réclame jamais de café, tout en faisant le travail à votre place.

Rappelez-vous, l’absurde c’est bien, mais si l’on peut transformer un patchwork de données en chef-d’œuvre analytique, pourquoi s’en priver ? Moins de temps à trier, plus de temps à donner des conseils sur la meilleure manière de servir un mojito. Faites un tour sur cette page pour découvrir encore plus d’astuces pour dompter votre BigQuery comme le pro que vous n’avez jamais été, mais qu’un jour vous espérez devenir.

Les nouvelles fonctions LLM ligne par ligne

Ah, les LLM scalaires de BigQuery ! De petites merveilles qui vous permettent de jongler avec vos données comme un clown avec des balles enflammées. Leur flexibilité ouvre des portes que vous ne saviez même pas que vous deviez forcer. Au lieu de vous suivre dans une danse maladroite avec des structures de données rigides, ces nouvelles fonctions sont là pour improviser. Imaginez que vous fassiez du tango avec une base de données alors que vous pouvez, en fait, vous glisser sur une patinoire avec une élégante pirouette. Merci, BigQuery !

Commençons avec Ai.GENERATE. Que diriez-vous d’un petit coup de baguette magique pour générer des données ? Grâce à cette fonction, vous pouvez crafter des valeurs aléatoires pour alimenter vos modèles prédictifs comme un boulanger qui prépare des croissants pour le petit déjeuner. Voici un petit exemple pour aiguiser vos papilles :

SELECT Ai.GENERATE(5, 'Lorem ipsum') AS lines;

Cette commande vous permet de déguster cinq délicieuses lignes de « Lorem ipsum », comme si vous veniez de trouver un trésor sur une plage déserte. Pensez-y : ces lignes peuvent être intégrées dans vos tests sans vous poser de questions existentielles sur leur provenance. C’est un peu comme faire du français sans jamais avoir pris de cours de grammaire.

Les fonctions de type, quant à elles, sont comme des panneaux de signalisation brillants dans un tunnel sombre. Elles éclairent votre chemin à travers les dédales de la manipulation des données. Par exemple, si vous devez déterminer le type d’une colonne pour l’appliquer à un traitement spécifique, sachez que vous pouvez utiliser quelque chose comme :

SELECT Ai.IS_NUMERIC(my_column) AS is_numeric FROM my_table;

Pas besoin de faire appel au détective privé de la technologie. BigQuery vous aide à savoir si vos données sont des chiffres ou non, comme un alcoolique hésitant entre l’eau plate et une vodka martini.

En somme, avec ces nouvelles fonctions, BigQuery ne se contente pas de vous donner des outils ; il vous file un véritable arsenal, capable de transformer des chaotiques ensembles de données en symphonies analytiques. Vous commencez à voir les contours délicats d’une précision à couper le souffle ? À travers l’humour et l’absurde, BigQuery continue de démontrer que la manipulation des données n’a jamais été aussi amusante, jusqu’à ce que quelqu’un se mette à pleurer, bien sûr. Mais ça, c’est une autre histoire.

Analyse de contribution – Décryptage des chiffres

Ah, l’analyse de contribution, ce bijou de la plasturgie de l’intelligence des données, où l’on prend un modèle et où l’on fait danser les chiffres comme lors d’un bal masqué, mais sans la musique, bien sûr. Grâce aux dernières nouveautés de BigQuery AI et ML, nous avons désormais à notre disposition un outil capable de répondre à ces questions d’affaires complexes qui nous hantent, tel un fantôme malveillant dans un vieux manoir. Imaginez un détective – Sherlock Holmes en l’occurrence – lançant un regard perçant sur une forêt de données, tentant désespérément d’identifier qui a dépensé combien, pour quoi, et surtout, pourquoi diable tout cela compte réellement.

La fonction d’analyse de contribution vient à la rescousse comme un ami un peu trop lucide lors d’un lendemain de veille. Elle permet de décomposer l’impact des différentes variables sur un résultat donné. En gros, vous pouvez enfin savoir si c’est votre campagne de marketing, votre charmante personnalité ou le nombre de « like » sur vos publications qui a fait exploser les ventes. Compte tenu du contexte, il serait temps de mettre de côté votre estime démesurée et de commencer à examiner les faits.

Définir un modèle d’analyse de contribution, c’est un peu comme faire une potion magique dans un laboratoire : il faut des ingrédients précis. Voici un exemple SQL bien saucé pour illustrer tout ça :

SELECT 
  revenue,
  marketing_spend,
  customer_service_hours,
  seasonality
FROM 
  sales_data
WHERE 
  date BETWEEN '2023-01-01' AND '2023-12-31'

À partir de cette requête, vous pouvez commencer à évaluer comment chaque variable contribue à votre chiffre d’affaires. Mais attention, la magie du SQL ne s’arrête pas là. Vous pouvez utiliser des modèles de régression disponibles dans BigQuery ML pour quantifier exactement cette contribution. Imaginons un résultat où, au bout de quelques analyses, vous découvrez que 60% de votre chiffre d’affaires provient uniquement de vos brillantes campagnes marketing, alors que vos heures de service client, malgré votre ferveur suspecte, n’en rapportent que 5% – là, une belle claque à votre optimisme. Et pour ajouter une touche finale, vous pouvez offrir ce beau tableau de données à votre direction, comme un trophée chèrement gagné dans le jeu cruel de la business intelligence.

Donc, en résumé, l’analyse de contribution n’est pas juste un gadget flashy pour booster votre ego, c’est une pompe à vérité qui déverse des insights précieux sur la scène d’un business parfois plus mystérieux que l’énigme de la création du monde. Parfois, il vaut mieux savoir tourner longtemps autour du pot que de s’y plonger tête la première, surtout quand on a un bon modèle d’analyse à portée de clic.

Conclusion

Avec les derniers ajouts dans BigQuery AI et ML, Google nous invite à reconsidérer notre rapport à la donnée. Que vous soyez un amateur de prévisions ou un psychologue des chiffres, ces nouvelles fonctionnalités vous permettent d’extraire des insights de manière plus efficace et de donner vie à vos données. Un coup d’œil sur cet outil et l’on est déjà conquis.

FAQ

Quelles sont les principales fonctionnalités ajoutées par BigQuery ML ?

Les nouvelles fonctionnalités incluent le modèle de prévision TimesFM, l’extraction de données structurées avec des LLM, des fonctions d’inférence ligne par ligne, et une analyse de contribution améliorée.

Comment utiliser le modèle TimesFM ?

Il suffit d’utiliser la fonction AI.FORECAST avec la syntaxe appropriée pour créer vos prévisions temporelles sans nécessiter de formation préalable.

Qu’est-ce que la fonction AI.GENERATE_TABLE ?

C’est une fonction permettant d’extraire ou de générer des données structurées à partir de données non structurées, en spécifiant un schéma de sortie.

Comment puis-je bénéficier des nouvelles fonctions LLM dans BigQuery ?

Les nouvelles fonctions LLM vous permettent de manipuler les données ligne par ligne, offrant plus de flexibilité dans vos requêtes et analyses.

Qu’est-ce que l’analyse de contribution ?

C’est une fonctionnalité qui permet d’identifier les facteurs clés affectant vos métriques, facilitant ainsi l’analyse des résultats commerciaux.

Sources

Google Cloud; BigQuery ML adds new AI capabilities https://cloud.google.com/blog/products/data-analytics/bigquery-adds-new-ai-capabilities