Les nouveautés des capacités d’IA et d’apprentissage automatique de BigQuery

BigQuery n’est pas seulement une nouvelle console pour objets perdus dans la galaxie des données. C’est devenu le terrain de jeu privilégié pour ceux qui veulent sérieusement s’attaquer à l’analyse des données, et ce, avec une touche d’intelligence artificielle. Que vous soyez un data scientist aguerri ou le beau-frère qui pose des questions sur le cloud, les nouvelles fonctionnalités d’IA et de ML de BigQuery devraient piquer votre curiosité. Décortiquons ces évolutions qui ne manqueront pas de transformer vos prévisions et analyses.

Modèle de prévision TimesFM

Le modèle de prévision TimesFM, récemment introduit dans BigQuery, débarque dans le paysage du machine learning comme un super-héros masqué, armé de statistiques plutôt que de collants. Vous vous demandez peut-être comment cette petite merveille peut révolutionner notre approche des prévisions ? Prenez place, et préparez-vous à exposer votre télécommande à un excès de puissance analytique.

Concrètement, TimesFM permet de prédire des valeurs sur des séries temporelles sans vous tremper les pieds dans l’aquarium sans fond des paramètres techniques. Un vrai soulagement, n’est-ce pas ? Imaginez pouvoir générer des prévisions avec autant d’efficacité qu’une machine à café qui déborde du matin, sans badger au préalable une formation digne des studios de Hollywood. En clair, cette fonctionnalité vous évite de devenir l’ami des livreurs de pizzas qui vous apportent toujours la même commande, « Pizza extra-fromage qui n’a pas d’odeur ! » pendant que vous essayez d’ajuster des modèles statistiques.

Une fois que vous avez vos données, la magie opère avec une simple requête SQL qui se transforme en un puissant sortilège d’analytique. Le modèle prend vos données, les analyse, et vous prédit des valeurs qui pourraient facilement faire rougir un oracle. Il en résulte une capacité de prévision qui rivalise avec la plupart des prédictions météorologiques, à l’exception près que vous ne finirez pas votre journée sous un déluge alors que le soleil brillait une heure auparavant.

Pour vous donner une idée concrète de l’art culinaire des requêtes SQL, voici un modèle de base qui pourrait tout faire basculer pour vous :

CREATE MODEL `my_dataset.timesfm_model`
OPTIONS(model_type='timeseries_forecasting',
       time_series_attributes=['date'],
       input_data_schema='my_schema') AS
SELECT * 
FROM `my_dataset.time_series_data`;

Vous l’aurez compris, avec TimesFM, le défi de la prévision devient une promenade dans un jardin de roses, mais avec un petit détour par la section des cactus pour garder le suspense. Alors, êtes-vous prêts à faire un pas en avant et à faire grincer vos prévisions tout en exploitant la puissance du machine learning sans en perdre la tête ? Plongez-y sans hésitation, et qui sait, peut-être que vous finirez accidentellement par devenir un gourou des données. C’est à peu près aussi probable que de trouver un unicorn dans votre garage, mais bon, la théorie est souvent plus séduisante que la réalité. Et si vous êtes en quête d’une source d’inspiration, n’oubliez pas de jeter un œil ici !

Extraction et génération de données structurées avec les LLMs

Dans un monde où l’information non structurée prolifère telle une mauvaise herbe dans un jardin botaniquement désordonné, BigQuery s’attaque à cette jungle avec des outils aussi aiguisés qu’un rasoir bien entretenu. Entre en scène AI.GENERATE_TABLE, un petit génie qui transforme ces brouillons illisibles en données structurées prêtes à l’emploi, comme par enchantement. Moins de tambour et de trompette, et plus de manipulation de données sans larmes.

Comment ça fonctionne, me demanderez-vous, l’œil perplexe comme un enfant devant un plat de légumes ? Eh bien, la magie opère grâce aux modèles de langage (LLMs). En gros, ces LLMs sont comme ces élèves de la classe qui savent tout, sauf que, contrairement à eux, ils ne sont pas là pour vous rendre la vie impossible avec des questions existentielles. Ils analysent le texte, y dénichent des patterns et le structurant comme de bons et loyaux serviteurs.

Examinons quelques exemples concrets :

SELECT AI.GENERATE_TABLE(
  "COMMENT EXTRAIRE DES DONNÉES ?",
  ["questions", "réponses"]
) AS tableau_de_données;

Ce code ne vous fera pas gagner aux échecs, mais il vous permettra certainement de récupérer des informations valuables à partir d’une mer de texte aléatoire. Le résultat ? Un tableau bien rangé, où chaque élément est à sa place. Si vous pensez que l’organisation est ennuyante, dites cela à Marie Kondo.

Un autre exemple à faire rougir de jalousie même les scriptes les plus en vogue :

SELECT AI.GENERATE_TABLE(
  "Les tendances de mode 2023 : comment les gens se vêtent.",
  ["tendances", "description"]
) AS tableau_mode;

Et voilà, vous voilà en train de récupérer des données sur les dernières tendances sans même avoir à fouiller sous votre lit pour retrouver vos vieilles revues de mode. Cette fonctionnalité ne fait pas qu’extraire des données; elle les fait jaillir, tel un popcorn dans une machine à maïs soufflé, n’attendant que d’être savouré.

Dans un paysage de données où le désordre est la norme, utiliser AI.GENERATE_TABLE c’est comme inviter un professionnel de l’ordre à votre fête de chiots. Vous ne savez pas comment vous avez pu vivre sans lui. Pour plus de détails sur tout ceci, [visionnez les dernières améliorations de BigQuery](https://cloud.google.com/blog/products/data-analytics/bigquery-adds-new-ai-capabilities/?utm_source=metrylo.com&utm_campaign=article-webanalyste.com&utm_medium=referral) et découvrez d’autres cadeaux virtuels qui vous attendent.

Fonctions LLM selon les lignes

Dans l’univers fascinant des larges modèles linguistiques, BigQuery a décidé de lever le voile sur des nouvelles fonctions qui font un peu plus que simplement déguster du café et parler de leur dernière banane. Les nouvelles fonctions LLM de BigQuery génèrent des inférences ligne par ligne, vue la délicieuse finesse qui s’y cache. Imaginez une nouvelle école de sculpture, où chaque data point est un bloc de marbre et où l’IA est Michel-Ange – elle va tailler et polir vos données avec une précision divine.

Parmi ces outils aiguisés tel un scalpel expérimental, nous trouvons AI.GENERATE. Ah, quelle petite merveille ! Ce n’est pas juste un gadget technologique, c’est un véritable chef-d’œuvre de la désinhibition linguistique. En conjuguant l’art de la génération de texte avec le pragmatisme arithmétique, cette fonction permet de compiler non seulement des réponses aux requêtes mais aussi des récits, des analyses ou même des poèmes sur le fondement de vos chiffres. Avez-vous déjà voulu qu’une machine vous écrive un sonnet sur le taux de retour sur investissement de vos campagnes marketing ? Ne cherchez pas plus loin. AI.GENERATE est là, prétentieux comme un poète maudit d’un café littéraire.

Les avantages pratiques sont assez scandaleux : en utilisant des types spécifiques de données, il devient aisé d’interroger, manipuler, et orchestrer la musique des chiffres avec une souplesse qui ferait pâlir un contorsionniste. Avec le bon ensemble de données et quelques lignes de commande bien placées, l’utilisateur n’a qu’à se laisser porter par la mélodie de la création numérique.

Des exemples d’application peuvent valoir des montagnes de théorème : imaginez la compilation automatique de rapports mensuels où chaque chiffre se mue en phrase éloquent, tissant un récit captivant qui capterait même l’attention de votre oncle, expert en sudoku, pendant un dîner familiale. De plus, cette approche permet d’adapter le contenu de manière dynamique, en fonction de ce qui se passe dans votre tableau de données. Comme un animateur de soirée un peu trop motivé, BigQuery sait comment conserver l’attention.

Avec la possibilité d’interagir plus librement avec les données, la route vers une analyse fine s’ouvre, élaguant ronces et buissons d’informations. Il ne reste plus qu’à faire le premier pas, sur cette toile tendue qui, soit dit en passant, pourrait bien être votre prochain chef-d’œuvre d’intelligence artificielle.

Analyse de contribution : des insights révélateurs

Bienvenue dans l’univers effréné et irrationnel de l’analyse de contribution dans BigQuery. Si la vie était une suite de partitions musicales, ce nouvel outil serait le chef d’orchestre qui, avec une telle aisance, transforme le cacophonique en symphonies. Imaginez, un monde où les mystères de vos métriques s’éclaircissent à la vitesse de l’éclair. Alors, quelles variations au sein de vos précieuses données agacent votre vie quotidienne ?

La fonctionnalité d’analyse de contribution de BigQuery est un prodige de l’automatisation. Comme un automate de foire, elle se déplace avec l’agilité d’un acrobate, disséquant les éléments complexes à la manière d’un chirurgien disposant de son scalpel. Cette fonctionnalité vous permet d’expliquer les variations au sein de vos métriques, aussi transparents que des nouilles de riz. Plutôt que de se plonger tête première dans des analyses fastidieuses, vous pouvez désormais renvoyer ces monotonies médiocres à leurs chères études. En quelques clics, vous pouvez dire adieu à des heures de recherche pénible. En effet, analysons un peu plus près tout ce que cet outil peut vous offrir.

Imaginons votre entreprise éclaboussée par des fluctuations inopinées dans vos ventes. La plupart des analystes opèreraient comme un aveugle dans un magasin de vitraux. Avec l’analyse de contribution, pas besoin de s’aventurer dans ce labyrinthe. Grâce à des requêtes assourdissantes de simplicité, vous pouvez définir un modèle d’analyse explicatif des variations de vos résultats. Plongez sans crainte dans votre BigQuery et exécutez un simple exemple de requête :

SELECT
  feature,
  contribution
FROM
  my_dataset.contribution_analysis
WHERE
  metric = 'sales'
ORDER BY
  contribution DESC;

Avec cet exemple, vous en apprendrez davantage sur ce qui influence véritablement vos résultats, tout en vous évitant de transformer votre salon en salle de crise. Via un simple coup d’œil, vous pouvez identifier des éléments clés – votre marketing, votre site web, ou le fait que vous n’ayez tout simplement pas ouvert les portes le samedi. Au lieu de jongler avec des hypothèses, vous pouvez désormais vous appuyer sur des faits. Une expérience des plus rafraîchissante dans le monde en matière de données.

Pour ceux qui veulent aller encore plus loin – parce que, soyons honnêtes, pourquoi pas ? – vous pouvez explorer davantage [ici](https://www.trendailytics.com/analyse-de-contribution-dans-bigquery-ml/?utm_source=metrylo.com&utm_campaign=article-webanalyste.com&utm_medium=referral). Dans l’éternel combat entre le chaos des données et la clarté des résultats, BigQuery est définitivement une arme redoutable. Prenez-en la mesure et laissez-vous transformer par cette opportunité d’analyse sans précédent.

Conclusion

BigQuery devient unConcurrent redoutable sur le terrain de la data. Les dernières innovations, des prévisions facilitées aux analyses de contribution éclairantes, illustrent comment cet outil se positionne comme un allié essentiel dans la quête de l’intelligence des données. L’avenir appartient à ceux qui sauront puiser dans ces nouvelles capacités pour transformer des montagnes de données en merveilles d’insights décisifs.

FAQ

Qu’est-ce que le modèle TimesFM ?

C’est un modèle de prévision intégré dans BigQuery, permettant de générer des prévisions avec une grande précision sans nécessiter d’entraînement supplémentaire.

Comment utiliser AI.GENERATE_TABLE ?

Cette fonction vous permet d’extraire et de générer des données structurées à partir de données non structurées en une seule commande SQL.

Quelle est l’utilité des fonctions LLM pour l’analyse des données ?

Elles permettent des inférences à l’échelle de la ligne, facilitant ainsi des tâches plus flexibles et conformes aux besoins spécifiques des utilisateurs lors de la manipulation des données.

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

C’est une fonctionnalité qui aide à identifier les facteurs influençant les variations de métriques, automatisant ainsi une analyse qui serait autrement manuelle et complexe.

Comment puis-je démarrer avec ces nouvelles fonctionnalités ?

Vous pouvez commencer à les explorer en créant un compte Google Cloud et en bénéficiant de crédits gratuits pour tester les capacités de BigQuery ML et d’autres services.

Sources

Google CloudWhat’s new with BigQuery AI and MLhttps://cloud.google.com/blog/products/data-analytics/bigquery-adds-new-ai-capabilities