BigQuery ne se contente plus d’être un simple entrepôt de données ; il s’impose maintenant comme votre meilleur ami dans le monde de l’IA et du Machine Learning. Avec ses nouvelles fonctionnalités, il promet non seulement de rendre vos vies plus faciles mais aussi d’inclure un soupçon de magie algorithmique dans vos tableurs. Prêt à plonger dans un océan de données stratosphériques ?
Besoin d'aide ? Découvrez les solutions de notre agence BigQuery .
TimesFM et la prévision simplifiée
Ah, TimesFM, le petit nouveau qui vient faire trembler les balles de ping-pong des adeptes du Machine Learning ! Ce modèle de prévision est une révélation digne d’un spectacle de magie où l’on demande à un éléphant de sortir d’un chapeau. Apparemment, ce n’est pas seulement pour faire joli dans notre tableau de bord, mais aussi pour fournir des prédictions qui peuvent passer pour des oracles, capables d’anticiper vos besoins en matière de données temporelles.
Les fonctionnalités de TimesFM sont tout bonnement un bijou de technologie. Si vous pensiez que les prévisions étaient réservées aux devins sur leur boule de cristal, détrompez-vous ! Grâce à son approche sophistiquée de la modélisation des séries temporelles, TimesFM prend en compte non seulement vos données passées, mais aussi une multitude d’éléments contextuels. On pourrait dire qu’il a fait un bon stage chez Nostradamus. Mais ne vous inquiétez pas, il ne prédit pas la fin du monde ; il se concentre plutôt sur ce que sera votre chiffre d’affaires le mois prochain. Pratique, non ?
Voici un aperçu de son fonctionnement : TimesFM s’appuie sur l’analyse des séquences tout en intégrant des facteurs exogènes pour donner des prévisions plus solides. En gros, c’est comme si vous lisiez dans un livre où chaque page est une variable. Comparé aux modèles classiques, qui peuvent prendre des mois à calibrer pour un résultat approximatif, ce petit prodige s’y prend avec la dextérité d’un prestidigitateur. Résultat : des prévisions simples et efficaces, même pour ceux d’entre nous qui confondent souvent un tableau croisé avec un plateau de hors-d’œuvre.
Pour l’utiliser, BigQuery vous facilite la vie avec un code SQL qui ressemble presque à de la poésie moderne. En voici un petit exemple :
CREATE MODEL `your_project.your_dataset.times_fm_model`
OPTIONS(model_type='timeseries', time_column='your_time_column',
target_column='your_target_column',
input_data_config='your_input_data') AS
SELECT *
FROM `your_project.your_dataset.your_data_table`;
Cela fait rêver, n’est-ce pas ? Maintenant, vous pouvez faire parler vos données sans avoir à interpréter les hiéroglyphes. En résumé, avec TimesFM, même la prévision devient un art, et vous aurez bientôt l’impression d’être le Picasso des chiffres. Alors, prêt à enfourcher votre cheval de bataille temporel ? Allez, ne soyez pas timide, plongez dans l’avenir ! Pour ceux qui veulent en savoir plus, une lecture tout indiquée est disponible ici.
Extraction de données structurées avec les LLM
Vous vous rappelez de ces soirées où, armé d’un verre de rouge (ou d’une bouteille, selon l’honnêteté de votre état), vous tentez de comprendre la différence entre les données structurées et non structurées ? Spoiler alert : c’est un peu comme essayer de convaincre un amateur de disco que le jazz, c’est pas si mal. Mais avec les nouvelles fonctionnalités de BigQuery, on peut réconcilier ces deux mondes avec une aisance déconcertante.
Voici venir AI.GENERATE_TABLE, la fonction star pour extraire ou générer des données structurées à partir de ce beau bazar qu’on appelle les données non structurées. Imaginez que vous ayez des montagnes de textes, des tweets, des mails ou tout ce que l’humanité peut produire en matière de prose absurde. Au lieu de pleurer sur son triste sort, vous pouvez faire dire à BigQuery : « Hé, extraction de données, à l’aide ! »
Par exemple, prenons un bon vieux corpus de critiques de restaurants sans queue ni tête. Vous pouvez faire parler l’IA comme suit :
SELECT
AI.GENERATE_TABLE(
'CREATE TABLE restaurant_reviews AS SELECT
review_text,
sentiment,
cuisine_type
FROM reviews',
FORMAT='JSON',
STRUCTURE='["review_text", "sentiment", "cuisine_type"]'
)
Avec cette petite requête, BigQuery ne se contente pas de lire les critiques, il les transforme en une table structurée où chaque critique est rangée soigneusement comme des chaussettes de couleur dans un tiroir (plutôt que dans cette borlette à la Marie Kondo).
En prime, vous pouvez infuser de l’IA à votre sauce. En intégrant des modèles de langage dans cette équation, vous pourriez même classer les critiques selon leur tonalité. Une critique amère ? Elle sera au fond du tiroir, entre les chaussettes pelées, et une critique élogieuse ? Sur le dessus, avec les chaussettes rayées qui font toujours bonne figure.
Alors oui, l’extraction de données structurées à partir de données non structurées n’est pas une panacée, mais c’est un sacré pas vers un monde où les données peuvent être savourées sans lutte épique. Si vous voulez explorer davantage ces méandres, rendez-vous ici. Vous y apprendrez que les données, c’est un peu comme des légumes : ça peut paraître compliqué au début, mais une fois cuisiné avec soin, ça devient un festin pour l’esprit.
L’émergence des fonctions LLM spécifiques
Ah, BigQuery, ce grand chef d’orchestre des données, semble enfin avoir lancé son dernier mouvement : l’émergence des fonctions LLM spécifiques. On pourrait s’y méprendre et croire que l’on est aux premières loges d’un opéra de Strauss, alors qu’en réalité, c’est plutôt le choc sonore d’un batteur de métal à la recherche de son tempo. Quoi qu’il en soit, ces nouvelles fonctions nous promettent des inférences de séries temporelles aussi précises qu’une horloge atomique, mais ne vous attendez pas à de simples clics de souris ; ici, il faudra presser la touche « F5 » de votre perspicacité.
Imaginez un instant AI.GENERATE, le virtuose des mots qui transforme des entrées banales en textes dignes d’un poète maudit. Prenons un exemple concret pour se donner une idée du potentiel :
SELECT AI.GENERATE(text_column, 'Ceci est une entrée, génère du texte à partir de cela.') AS Generated_Text
FROM `your_dataset.your_table`;Avec cette requête, vous laissez votre modèle s’envoler vers des horizons littéraires insoupçonnés. Ce n’est pas de la magie, mais presque. Tel un alchimiste des tendances de marché, BigQuery se plaît à transformer des chiffres en récits passionnants. Qui aurait cru que notre banquier était un poète en herbe ?
Et ce n’est pas tout. Les inférences de séries temporelles, ces extraits complexes de notre passé, peuvent désormais se voir dotés d’une puissance d’analyse sans précédent. Imaginez pouvoir prédire votre consommation d’e-mail comme si vous tentiez de prévoir le prix des tomates en saison. Grâce à des fonctions spécifiques, une requête telle que :
SELECT TIMESTAMP, AI.PREDICT(value_column, structure_column) AS Predicted_Value
FROM `your_dataset.your_timeseries_table`;permettra de découvrir des tendances que même votre boule de cristal aurait du mal à envisager. BigQuery devient alors un mentor dans la nébuleuse du Big Data, offrant des conseils qui, espérons-le, ne ressembleront pas à ceux d’un consultant au café.
Dans un monde où l’absurde côtoie le génie, ces fonctionnalités semblent plus prometteuses qu’un nuage de poussière d’étoile au crépuscule. Il est temps de plonger tête la première dans le grand bain de l’analytique et de se laisser porter par les marées de l’IA. Peut-être finira-t-on par trouver, au fond, les clés du bonheur numérique, ou du moins un bon rapport coût-efficacité sur les bagels. L’avenir appartient à ceux qui osent frapper à la porte des données.
Analyse de contribution : comprendre vos données
Ah, l’analyse de contribution ! Ce concept flamboyant qui, à première vue, évoque une sortie de réunion où l’on se demande qui a osé découper le gâteau du succès en tranches inégales. Grâce à BigQuery ML, cette discipline devient une promenade dans le parc des possibles, où chaque donnée laisse une empreinte et où l’IA devient le guide impassible, un peu comme un majordome britannique qui s’efforce de garder son calme pendant qu’une tempête de scones s’abat sur la table.
Pourquoi l’analyse de contribution est-elle si cruciale ? Imaginez-vous en train de jongler avec des oranges, des pamplemousses et un feuillage de salade tout en essayant de déterminer quelle pièce de fruit a réellement contribué à l’explosion de saveurs de votre dernière vinaigrette. Grâce à BigQuery, armé de SQL, on déchire le voile d’incertitude qui cache les secrets des performances. Cet outil vous permet de remarquer comment chaque variable contribue à une métrique, que ce soit la vente de chaussettes en laine ou les performances générales de votre entreprise, pendant que vous choisissez des accessoires de déguisement pour votre chat.
Mais comment s’applique l’analyse de contribution dans le monde feutré des données ? Accrochez-vous, on s’y met ! Voici un mini-exemple de modèle SQL qui pourrait illustrer votre cheminement :
WITH contributions AS (
SELECT
product,
sales,
(sales / SUM(sales) OVER ()) * 100 AS contribution_percentage
FROM
`project.dataset.sales_data`
)
SELECT
product,
contribution_percentage
FROM
contributions
ORDER BY
contribution_percentage DESC;
Ce script, avec son élégance de ballet, permet de déterminer la contribution de chaque produit aux ventes totales. Il s’affiche brillamment, tel un panneau publicitaire dans une rue déserte, vous criant à quel point chaque article participe au grand orchestre de votre chiffre d’affaires. Utiliser BigQuery pour ce type d’analyse, c’est comme faire appel à un chef cuisinier étoilé pour préparer des pâtes instantanées : vous êtes certain que le résultat sera savoureux, même si l’effort fourni reste minimum.
En résumé, l’analyse de contribution dans BigQuery est votre moyen d’appréhender le monde complexe des données. Plutôt que de vous fier à l’intuition — cette vieille ruse de sorcier —, vous avez désormais la possibilité de parler le langage des chiffres pour comprendre vos performances. En route vers l’indicible compréhension de vos métriques avec une pincée de fierté et une éclatante ironie. N’oubliez pas de consulter la documentation de BigQuery pour explorer davantage cette fascinante frontière de l’analyse de données.
Conclusion
Avec ces nouvelles fonctionnalités de BigQuery, vos données se réveillent enfin et prennent vie. Il est temps de laisser derrière vous les vieilles méthodes d’analyse et de profiter de la puissance de l’intelligence artificielle. Que vous soyez un entrepreneur désireux de comprendre ses clients ou un analyste cherchant à approfondir ses analyses, BigQuery vous offre tout ce qu’il vous faut pour naviguer dans le vaste océan des données.
FAQ
Qu’est-ce que TimesFM dans BigQuery ?
TimesFM est un modèle de prévision intégré qui permet une analyse précise des séries chronologiques sans nécessiter un entraînement préalable.
Comment fonctionne la fonction AI.GENERATE_TABLE ?
Elle permet d’extraire ou de générer des données structurées à partir de données non structurées en spécifiant simplement un schéma de sortie.
Quelles sont les fonctions spécifiques disponibles pour les LLM ?
Des fonctions comme AI.GENERATE permettent de faire des inférences à la ligne, en fournissant des résultats en fonction de conditions spécifiques.
En quoi consiste l’analyse de contribution ?
C’est une méthode qui utilise des modèles analytiques pour identifier les facteurs clés influençant des métriques spécifiques entre des groupes de test et de contrôle.
Comment puis-je commencer à utiliser ces nouvelles fonctionnalités ?
Inscrivez-vous à Google Cloud pour bénéficier de crédits gratuits et accédez instantanément à BigQuery et ses nouvelles capacités!
Sources
Google Cloud
What’s new with BigQuery AI and ML https://cloud.google.com/blog/products/data-analytics/bigquery-adds-new-ai-capabilities