Les dernières innovations de BigQuery en IA et ML

BigQuery, cette plateforme de données qui a la prétention de tout faire, nous surprend encore. Si vous pensiez que l’IA et le ML étaient réservés à de grandes machines laborieuses, détrompez-vous. Avec les nouvelles fonctionnalités de BigQuery ML, on passe du rêve à la réalité en un clic. Plongée dans la fabrique de la prévision, de l’extraction de données structurées et d’analyses profondes.

Modèle de prévision TimesFM

Ah, le modèle de prévision TimesFM, véritable petit prodige de la science des données ! Si vous croyez que le futur est incertain, laissez-moi vous dire que, grâce à TimesFM, il a pris une tournure plutôt amicale. Pensez-y comme à votre cousin illuminé qui a enfin trouvé la lumière du frigo pour y voir un peu plus clair dans sa vie (et dans la vôtre, tant qu’à faire). Ce modèle révolutionne la prévision des séries temporelles en combinant fatigue d’entraînement minimale et efficacité redoutable. Oui, vous avez bien entendu : minimalisme et performance, un peu comme un moine bouddhiste avec un smartphone dernier cri.

Alors, qu’est-ce que ce nouvel AI.FORECAST ? Imaginez un assistant personnel qui prend vos données chaotiques – et, soyons honnêtes, qui ne croule pas sous ces chaos modernes – et les transforme en prévisions limpides comme l’eau de source. Accessible et rapide, cet outil est conçu pour qu’aucun data scientist ne doive passer des nuits blanches à entraîner des modèles complexes. Vous lancez vos données, et hop, la magie opère. Ce n’est pas de l’illuminisme, juste un brin d’algorithme.

Si vous êtes novice dans le monde des prévisions, voici un exemple d’utilisation simple : disons que vous avez une série de ventes hebdomadaires pour le mois dernier. Avec AI.FORECAST, il suffit de quelques lignes de code:

CREATE MODEL my_model OPTIONS(model_type='timeseries') AS
SELECT * FROM my_sales_data;

Et voilà ! Votre modèle est prêt à tirer des conclusions. Ça donne envie de célébrer avec une bouteille de champagne… virtuel, bien entendu.

Pour ceux qui s’égarent dans les méandres des détails techniques, le modèle utilise un type de framework basé sur les réseaux de neurones, qui sait jongler avec les tendances et les irrégularités, un peu comme un clown au cirque : toujours surpris par la chute mais toujours debout. Et s’il vous prend l’envie d’en savoir plus sur ce miracle technologique, rendez-vous sur cet article qui vous éclairera davantage.

En somme, TimesFM, c’est un peu comme un oracle de Delphe qui aurait troqué ses rafales de fumée contre des algorithmes bien sentis : prévisibilité avec une simplicité désarmante. Le futur, après tout, n’a jamais été si excitant.

Extraction et génération de données structurées avec les LLMs

Ah, l’extraction et la génération de données structurées à partir des confins chaotiques de l’information non structurée, c’est un peu comme essayer d’attraper des poissons volants dans un aquarium en plexiglas. Heureusement, BigQuery, ce prodige de la manipulation de données, se fringue de la fonction AI.GENERATE_TABLE pour, je cite, « transformer la bouillie de données en une représentation élégante et compréhensible ». En clair, c’est l’art de faire du foie gras avec un morceau de pain rassis.

Pour y parvenir, imaginez que vous avez un flux de données textuelles – un tas d’emails, des articles de presse et des messages sur le groupe de Trivial Pursuit de votre entreprise, bref, le bazar classique. En utilisant AI.GENERATE_TABLE, vous balancez ce magma et vous ressortez avec des tables bien ficelées. Parfait pour récupérer des insights et pas seulement des restes de pizza du vendredi soir.

Voici comment procéder, dans un tour de passe-passe que même un magicien d’Harry Potter vous envierait :

CREATE OR REPLACE TABLE my_dataset.my_new_table AS
SELECT 
  AI.GENERATE_TABLE(
      source_text_column, 
      'key_column', 
      'value_column') AS my_data
FROM my_dataset.my_raw_text;

Ce code tout simple – et pourtant brillant – extrait les données de la colonne source_text_column pour créer de nouvelles colonnes key_column et value_column dans la table que vous venez de créer. Tout ça pour quoi ? Pour transformer le langage naturel en données exploitables, permettant un alignement parfait avec les exigences de vos algorithmes de machine learning favori. Vous pouvez presque entendre les cloches de la cathédrale de la data sonner, n’est-ce pas ?

Et avec ce genre de fonctionnalité, non seulement vous vous débarrassez du désordre, mais vous ouvrez la boîte de Pandore des insights rapidement, sans avoir à passer des nuits blanches à essayer de comprendre vos propres données. Ne serait-ce pas un rêve devenu réalité ? Vous pouvez même aller explorer plus en profondeur comment cela fonctionne sur ce lien, mais seulement si cette remise en question de la réalité ne vous fait pas peur.

Fonctions LLM pour l’inférence ligne par ligne

Dans l’univers bouillonnant des données, BigQuery s’affirme comme un peu plus qu’une simple lueur dans le noir : c’est une supernova d’innovations, et les nouvelles fonctions LLM scalaires ne sont pas en reste. Ces joyeuses facéties algorithmiques permettent désormais d’exécuter des inférences ligne par ligne, ce qui nous rapproche un pas de plus d’une fantaisie digne de la science-fiction. Autant dire que, si vous n’avez jamais rêvé de générer du texte à la volée grâce à une plateforme de données, préparez-vous à chaparder un badge de « Geek du futur ».

Pour comprendre les joies de l’analyse de texte avec des requêtes avancées, penchons-nous sur la pépite nommée AI.GENERATE. Imaginez que vous devez rédiger un avis sur un produit basé sur des commentaires clients éparpillés comme des chaussettes à l’enseigne exorbitante de votre supermarché local. Grâce à cette fonction, votre bonne vieille requête SQL devient un poème baroque. Avec AI.GENERATE, la magie opère, et voilà un objet recouvert de vernis numérique se transformant en un long texte fluide et brillant comme les narines d’un bureaucrate un jour de fête.

SELECT AI.GENERATE(
  'Écris un avis en utilisant ces commentaires:', 
  ARRAY(SELECT comment FROM `project.dataset.comments`)
) AS generated_review;

Ceci, mes chers lecteurs, est l’illustration même d’une flexibilité inédite. Grâce à ces LLM scalaires, vous pouvez non seulement choper des informations, mais également les remodeler à la guise de votre imagination débridée. Et si vos données sont si variées qu’elles pourraient presque participer à un concours de « l’absurde en entreprise », sachez que vous pourrez les orienter vers les types spécifiques souhaités. Comme un chef cuisinier qui jongle avec ses aliments, vous allez jongler avec vos lignes de codes.

Il est vrai que dans un monde où le sens de l’humour est souvent en option, exploiter ces outils permet enfin d’y mettre du piment. Alors, pourquoi se contenter de lignes de code banales quand on peut imprimer une simplicité à la complexité, avec une touche d’absurde? Que vous soyez un bricoleur des données, ou un potentiel Picasso du tableau croisé dynamique, l’heure est venue de faire éclore votre créativité dans BigQuery grâce à ces nouvelles possibilités. Et si en plus, vous souhaitez vous aventurer plus loin, n’oubliez pas de faire un tour par ce lien pour parfaire votre exploration.

Analyse de contribution : dénicher les raisons cachées

La raison pour laquelle votre campagne marketing s’est soldée par un grand vent de fraîcheur et non par un bouquet de fleurs ? Peut-être que vos variables sont en pleine crise existentielle. Avec BigQuery et son module d’analyse de contribution, il s’agit moins de croiser des doigts pour espérer que les chiffres s’alignent, et plus de diarrhée analytique pour mettre le doigt sur les coupables. Oui, cet outil vous garantit un spectacle éblouissant et tragique où vos métriques pleurent (de joie ou de douleur, l’auditoire est souvent indécis).

En théorie, créer un modèle d’analyse de contribution dans BigQuery ML, c’est comme jouer aux dominos sans s’inquiéter d’en renverser un. On se retrouve à introspecter des relations cachées entre vos variables, un peu comme un psychologue qui cherche à dévoiler le passé tumultueux d’une poignée de chiffres mal en point. Chaque coefficient de ce modèle que vous allez construire est un indice crucial, et chaque contribution est autant un indice qu’un coup de pied aux fesses pour comprendre ce qui fonctionne ou non.

Pour passer à l’action, imaginez que vous extrayez des données dans BigQuery. Chiffres à l’appui, vous utiliserez des refunds, des ads expenditure, et pourquoi pas, des user demographics, juste pour alimenter ce beau bazar. En un rien de temps, vous construirez un modèle élégant et désinvolte, un peu comme une danseuse étoile qui tente d’aligner des pas sur une chorégraphie improvisée.

Une fois que votre modèle est opérationnel, il est temps de plonger dans les abîmes des insights. Chaque contribution que vous analysez avec BigQuery sera comme un fouillis de fils à démêler pour révéler ce qui influence réellement vos résultats commerciaux. Ce n’est pas tout à fait l’univers de « Qui veut gagner des millions », mais plutôt la quête épique pour retrouver l’essence même de votre rentabilité, sans que votre bilan ne ressemble à un épisode de documentaire animalier sur des singes en folie.

À la fin, la beauté d’une analyse de contribution réside dans sa capacité à transformer le brouillard des données en un panorama clair. Et d’ailleurs, si par hasard vous tombez sur une corrélation entre les pizzas fumantes et les ventes de vos produits de luxe, sachez le savourer – après tout, l’absurde a aussi sa place dans les affaires. Donc bon appétit !

Conclusion

En synthèse, les dernières mises à jour de BigQuery ML ouvrent des horizons insoupçonnés pour quiconque s’aventure dans l’analyse de données. Entre des prévisions chatoyantes grâce à TimesFM, une extraction de données simplifiée, des fonctions LLM d’une flexibilité inégalée, et des analyses qui tranchent dans le vif, BigQuery n’est pas juste un outil, c’est un véritable partenaire dans la quête d’informations pertinentes et exploitables.

FAQ

Qu’est-ce que le modèle TimesFM dans BigQuery ?

Le modèle TimesFM est une fonctionnalité de prévision dans BigQuery qui simplifie fortement la prévision des séries temporelles, en permettant des prévisions précises sans nécessiter d’entraînement.

Comment BigQuery aide-t-il à générer des données structurées ?

BigQuery utilise la fonction AI.GENERATE_TABLE pour extraire et générer des informations structurées à partir de données non structurées, simplifiant ainsi le processus d’analyse.

Quelles sont les nouvelles fonctions LLM introduites ?

Les nouvelles fonctions LLM permettent une inférence ligne par ligne, offrant une flexibilité supplémentaire pour l’analyse et la manipulation des données dans BigQuery.

En quoi consiste l’analyse de contribution dans BigQuery ?

L’analyse de contribution aide à identifier les facteurs influençant des changements dans les métriques commerciales, permettant des insights automatisés et facilement exploitables.

Comment puis-je utiliser BigQuery ML ?

BigQuery ML peut être utilisé via SQL pour intégrer facilement des modèles d’IA dans vos flux de données, avec un support pour des modèles tiers et open source.

Sources

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

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