Modèles de référence

Cette page contient des liens vers des exemples de code et des guides de référence techniques pour les cas d'utilisation courants BigQuery. Utilisez ces ressources pour apprendre, identifier les bonnes pratiques et exploiter les exemples de code pour créer les fonctionnalités dont vous avez besoin.

Les modèles de référence répertoriés ici sont orientés code et permettent une mise en œuvre rapide. Pour découvrir une gamme plus large de solutions BigQuery, consultez la liste des guides de référence techniques sur BigQuery.

Détection d'anomalies

Solution Description Liens
Créer une application de détection d'anomalies pour les réseaux de télécommunications à l'aide du clustering k-moyennes

Cette solution vous explique comment créer une application de détection d'anomalies basée sur le ML pour les réseaux de télécommunications afin d'identifier les cybermenaces en utilisant Dataflow, BigQuery ML et Cloud Data Loss Prevention.

Guide de référence technique : Créer une solution sécurisée de détection des anomalies à l'aide de Dataflow, BigQuery ML et Cloud Data Loss Prevention

Exemple de code : Détection d'anomalies dans les journaux Netflow

Article de blog : Détection d'anomalies à l'aide d'analyses de flux et de l'IA

Vidéo de présentation : Créer une solution sécurisée de détection d'anomalies

Identifier les anomalies dans les transactions financières en temps réel à l'aide de BoostedTrees

Utilisez cette mise en œuvre de référence pour apprendre à écrire des données de transaction dans BigQuery à des fins d'analyse après avoir obtenu des prédictions à partir d'un modèle d'arbre amélioré TensorFlow.

Guide de référence technique : Détecter les anomalies dans les transactions financières à l'aide d'AI Platform, Dataflow et BigQuery

Exemple de code : Détection d'anomalies dans les transactions financières

Analyses générales

Solution Description Liens
Créer un pipeline pour transcrire et analyser des fichiers vocaux

Découvrez comment transcrire et analyser des fichiers vocaux importés, puis enregistrer ces données dans BigQuery pour les utiliser dans des visualisations.

Exemple de code : Framework d'analyse vocale

Analyses de journaux

Solution Description Liens
Capturer les interactions Dialogflow pour les analyser dans BigQuery

Découvrez comment capturer et stocker les interactions Dialogflow dans BigQuery pour effectuer une analyse plus approfondie.

Exemple de code : Analyseur de journaux Dialogflow

Traiter des journaux à grande échelle à l'aide de Dataflow et BigQuery

Découvrez comment créer des pipelines d'analyse qui traitent les entrées de journal provenant de plusieurs sources, puis combiner les données des journaux de manière à extraire des informations significatives.

Guide de référence technique : Traiter des journaux à grande échelle à l'aide de Dataflow

Exemple de code : Traiter des journaux à grande échelle à l'aide de Dataflow

Reconnaissance des formes

Solution Description Liens
Détection d'objets dans des extraits vidéo

Cette solution vous montre comment créer une solution d'analyse d'extraits vidéo en temps réel pour le suivi d'objets, vous permettant de traiter de grands volumes de données non structurées quasiment en temps réel et de les écrire dans BigQuery pour les analyser.

Exemple de code : Solution d'analyse vidéo à l'aide de Dataflow et de l'API Video Intelligence

Module Apache Beam pour appeler l'API Video Intelligence : apache_beam.ml.gcp.videointelligence.ml

Traiter le contenu généré par l'utilisateur avec l'API Video Intelligence et l'API Cloud Vision Cet ensemble de solutions décrit l'architecture de déploiement d'un système évolutif pour filtrer les envois d'images et de vidéos à l'aide de l'API Cloud Vision et de l'API Video Intelligence, puis pour écrire les données dans BigQuery à des fins d'analyses.

Architecture : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision

Tutoriel : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision

Exemple de code : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision

Ptransform Apache Beam pour appeler l'API Cloud Vision : module apache_beam.ml.gcp.visionml

Anonymiser (Supprimer l'identification) et restaurer l'identification des informations personnelles dans votre pipeline d'analyses intelligentes Cette série de solutions vous montre comment utiliser Dataflow, Cloud Data Loss Prevention, BigQuery et Pub/Sub pour supprimer et restaurer l'identification des informations personnelles dans un exemple d'ensemble de données.

Guides de référence techniques :

Exemple de code : Migrer des données sensibles dans BigQuery à l'aide de Dataflow et de Cloud Data Loss Prevention

Prévisions de prédiction

Solution Description Liens
Créer un modèle de clustering en k-moyennes pour la segmentation du marché

Découvrez comment segmenter les données d'audience Google Analytics 360 à des fins marketing en créant des clusters de k-moyennes avec BigQuery ML.

Guide de référence technique : Créer un modèle de clustering en k-moyennes pour la segmentation du marché à l'aide de BigQuery ML

Notebook : Comment créer des modèles de clustering en k-moyennes pour la segmentation du marché à l'aide de BigQuery ML

Développer un modèle de tendances pour l'achat d'une solution à l'aide de BigQuery ML

Découvrez comment créer et déployer un modèle de tendances d'achat, comment l'utiliser pour obtenir des prédictions sur le comportement d'achat des clients, puis comment créer un pipeline pour automatiser le workflow.

Guide de référence technique : Prédire les tendances d'achat des clients à l'aide de BigQuery ML et d'AI Platform

Exemple de code : Créer une solution de bout en bout pour l'analyse des tendances d'achat à l'aide de BigQuery ML et de Kubeflow Pipelines

Article de blog : Créer une solution de bout en bout pour l'analyse des tendances d'achat à l'aide de BigQuery ML et de Kubeflow Pipelines

Créer un modèle de prévision de la demande de séries temporelles

Apprenez à créer une solution de bout en bout pour prévoir la demande pour les produits de détail. À l'aide des données de vente historiques, vous pouvez entraîner un modèle de prévision de la demande à l'aide de BigQuery ML, puis visualiser les valeurs prévues dans un tableau de bord.

Exemple de code : Créer un modèle de prévision de la demande de séries temporelles à l'aide de BigQuery ML

Créer un système de recommandation d'e-commerce à l'aide de BigQuery ML

Découvrez comment créer un système de recommandation à l'aide de BigQuery ML pour générer des recommandations de produits ou de services à partir de données client dans BigQuery. Apprenez ensuite à rendre ces données disponibles pour d'autres systèmes de production en les exportant vers Google Analytics 360 ou Cloud Storage, ou en les lisant automatiquement à partir de la table BigQuery.

Guide de référence technique : Créer un système de recommandation d'e-commerce à l'aide de BigQuery ML

Notebook : bqml_matrix_factorization_retail_ecommerce

Créer de nouvelles audiences en fonction de la valeur du client actuelle

Découvrez comment identifier vos clients actuels les plus intéressants, puis les utiliser pour développer des audiences similaires dans Google Ads.

Guide de référence technique: Créer de nouvelles audiences en fonction de la valeur vie client existante

Exemple de code : Activer les prédictions de valeur vie client (LTV)

Créer et diffuser des représentations vectorielles continues pour des recommandations en temps réel

Découvrez comment créer et diffuser des représentations vectorielles continues pour formuler des recommandations d'articles semblables en temps réel. Créer un modèle de factorisation matricielle à l'aide de BigQuery ML pour prédire les représentations vectorielles continues, utiliser le framework Open Source ScaNN pour créer un index de voisin le plus proche et déployer le modèle sur AI Platform Prediction pour mettre en correspondance des éléments similaires en temps réel.

Guide de référence technique : Architecture d'un système de machine learning pour la correspondance d'éléments

Exemple de code : Recommandations d'articles similaires en temps réel avec BigQuery ML Factor et ScaNN