Obtenez des insights et des prévisions précis grâce aux Predictive AI Functions

Toutes les équipes data se voient poser les mêmes questions : « quel sera le chiffre d'affaires du trimestre prochain ? », « pourquoi cet indicateur a-t-il varié ? » et « ces données récentes sont-elles anormales par rapport à ce que nous observons habituellement ? ». Répondre à ces questions d'analyse avancée implique généralement de confier le travail à une équipe de data science pour créer des modèles et gérer l'infrastructure. Cela crée un goulot d'étranglement : les utilisateurs métier attendent leur tour, et de nombreuses questions ne sont jamais posées.

Les Predictive AI Functions, désormais en version Beta, éliminent ce goulot d'étranglement en permettant aux analystes et aux utilisateurs métier d'exécuter des analyses avancées telles que le forecasting, l'analyse des facteurs clés (driver analysis) et la détection d'anomalies, le tout via des fonctions intégrées appuyées par des modèles ML de pointe. Ces fonctions natives SQL peuvent être appelées directement en SQL, invoquées dans Genie avec des questions en langage naturel, ou intégrées dans des tableaux de bord. Comme Databricks gère centralement ces modèles, les équipes obtiennent des réponses cohérentes et de haute qualité sans devoir créer ni gérer d'infrastructure.

Ce lancement ajoute quatre nouvelles fonctions natives SQL et améliore la précision de ai_forecast :

• ai_forecast : projeter une série temporelle dans le futur
• ai_top_drivers : identifier les segments qui ont le plus influencé l'évolution d'un indicateur
• ai_detect_anomalies : signaler les lignes aberrantes dans les données temporelles
• ai_predict_value : prédire des valeurs continues (régression)
• ai_predict_class : prédire des valeurs catégoriques (classification)

Pour illustrer comment utiliser ces fonctions sur Databricks, nous allons vous présenter des exemples dans les tableaux de bord, en SQL et dans Genie à partir du jeu de données des trajets de taxi de New York.

Des prévisions fiables dans vos tableaux de bord

Les tableaux de bord sont l'endroit où les équipes suivent les indicateurs clés de leur activité, et où elles cherchent à anticiper leur évolution. Avec ai_forecast, les équipes peuvent projeter leurs indicateurs et afficher ces prévisions à côté de leurs autres rapports.

La nouvelle fonction ai_forecast permet d'obtenir facilement des prévisions de haute qualité sans aucun réglage. Elle repose sur un modèle fondation de séries temporelles basé sur l'architecture Transformer, préentraîné sur un ensemble vaste et varié de séries temporelles, à l'image d'un grand modèle de langage entraîné sur du texte. Comme il reconnaît déjà les motifs classiques comme la saisonnalité et les tendances, il génère des prévisions précises sur vos données sans nécessiter d'ajustement.

La visualisation ci-dessous utilise ai_forecast pour projeter les volumes mensuels de trajets de taxi à New York jusqu'à la fin de l'année 2027. La prévision met en évidence les motifs saisonniers attendus pour la demande de taxis, offrant une vision basée sur les données des tendances à venir.

La nouvelle fonction ai_forecast ne se contente pas de gérer automatiquement les tendances générales : elle offre aussi la possibilité d'ajouter des facteurs propres à votre activité. Grâce au support intégré des jours fériés et vacances, les équipes peuvent prendre en compte automatiquement les événements locaux comme les baisses de Noël ou les pics des vacances scolaires. Elles peuvent aussi spécifier des covariables externes pour intégrer les facteurs qui influencent un indicateur (comme des modifications de prix ou les dépenses marketing), garantissant ainsi des prévisions au plus près de leur réalité métier.

Des prédictions puissantes exprimées en langage naturel

Ce lancement introduit également quatre nouvelles fonctions pour répondre aux questions d'analyse avancée ad hoc fréquemment posées aux équipes data.

• ai_top_drivers explique pourquoi un indicateur a évolué
• ai_detect_anomalies signale les valeurs anormales
• ai_predict_value et ai_predict_class complètent les valeurs manquantes en estimant un nombre ou en attribuant une catégorie.

Chacune de ces fonctions, comme ai_forecast, est une fonction native SQL. Les analystes peuvent les appeler directement dans l'éditeur SQL ou dans un notebook, les exécuter sur des centaines de millions de lignes et injecter les résultats dans leurs requêtes et leurs pipelines. Par rapport au développement de modèles personnalisés, cette approche réduit le temps de développement et rend ces capacités accessibles à davantage d'utilisateurs.

Par exemple, la requête ci-dessous agrège les trajets de taxi new-yorkais sous forme de série temporelle de chiffre d'affaires quotidien et la transmet à ai_detect_anomalies, qui ajuste automatiquement un modèle aux données et signale les journées inhabituelles.

Ces mêmes fonctions seront mises à la disposition des utilisateurs métier dans Genie (ai_top_drivers est disponible dès aujourd'hui, et ai_forecast, ai_detect_anomalies, ai_predict_value et ai_predict_class le seront bientôt). Tout le monde peut poser une question en langage naturel, par exemple pourquoi les revenus ont baissé au trimestre dernier ou quels clients risquent de résilier leur abonnement. Genie appelle alors la bonne fonction pour fournir une réponse étayée par un modèle, sans aucune expertise en SQL ou en ML requise.

La requête ci-dessous utilise ai_top_drivers pour identifier automatiquement les créneaux horaires et les segments semaine/week-end qui ont le plus contribué à l'évolution des revenus des taxis new-yorkais entre janvier et février 2016. Elle classe chaque segment en fonction de son impact absolu et relatif sur les revenus, révélant que les heures de milieu de journée en semaine ont généré les plus forts gains, tandis que les heures de pointe du soir en semaine ont été le principal frein.

Comme ces fonctions reposent sur des méthodes de machine learning sur mesure, elles permettent à Genie de répondre à des questions qu'un LLM générique ne pourrait pas traiter de manière fiable.

Une qualité de premier ordre

Toutes ces fonctions fournissent des prédictions de haute qualité, appuyées par des modèles ML prêts pour la production. Puisque Databricks assure la gestion centralisée de ces modèles, cette qualité reste constante sur toutes les interfaces : les équipes obtiennent le même résultat fiable, qu'une prédiction soit exécutée dans un tableau de bord, en SQL ou via Genie.

Le forecasting en fournit l'illustration la plus concrète. Nous avons utilisé fev-bench pour comparer la nouvelle fonction ai_forecast aux fonctions proposées par un autre entrepôt de données cloud de premier plan. Le taux de réussite des tâches (task win rate) est défini comme le pourcentage de tâches (mesuré par la perte quantile échelonnée) où un système obtient une erreur probabiliste inférieure à l'autre. Voici le résultat du comparatif :

ai_forecast surpasse les autres fournisseurs d'entrepôts de données cloud ainsi que la version précédente de ai_forecast. Grâce aux Predictive AI Functions, les équipes bénéficient d'une précision de premier ordre dès le départ, sur toutes les interfaces et sans aucun réglage nécessaire.

Lancez-vous dès aujourd'hui

Les Predictive AI Functions permettent de répondre rapidement et en autonomie à des questions qui nécessitaient autrefois l'intervention d'une équipe de data science (« quelles sont les perspectives ? », « pourquoi cela a-t-il changé ? », « où se situe le problème ? » ou « quelle est cette valeur ? »), directement là où les équipes métier travaillent déjà : dans les tableaux de bord, dans Genie et en SQL. Résultat : une analyse avancée accessible à tous, avec des prédictions de haute qualité et simples à utiliser, sans modèles à concevoir ni infrastructure à gérer.

Prêt à essayer ? Démarrez avec les Predictive AI Functions ici.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original