Google breidt BigQuery uit met zes functies voor augmented analytics
Google heeft gisteren zes nieuwe functies voor augmented analytics in BigQuery aangekondigd. De Table-Valued Functions combineren AI, machine learning en statistische methoden om onder meer trends, correlaties, veranderingen in meetwaarden en effecten van beslissingen te analyseren. De functies draaien rechtstreeks op data in BigQuery en leveren gestructureerde SQL-resultaten op.
De nieuwe functies zijn AI.KEY_DRIVERS, AI.CAUSAL_EFFECT, ML.CORRELATION, ML.DETECT_CHANGE_POINTS, ML.TREND en ML.SEASONALITY. Ze zijn elk gericht op een ander analytisch vraagstuk en kunnen volgens Google ook achter elkaar worden gebruikt in een analyseworkflow.
AI.KEY_DRIVERS zoekt bijvoorbeeld naar factoren die een stijging of daling van een meetwaarde verklaren. AI.CAUSAL_EFFECT probeert het effect van een bepaalde interventie te kwantificeren door de werkelijke uitkomst te vergelijken met een verwachte baseline. ML.CORRELATION berekent de richting en sterkte van relaties tussen numerieke meetwaarden.
Trends en structurele veranderingen
De overige functies richten zich op tijdreeksen. ML.DETECT_CHANGE_POINTS zoekt naar momenten of perioden waarin een meetwaarde structureel verandert. ML.TREND probeert de onderliggende ontwikkeling zichtbaar te maken door kortetermijnschommelingen en ruis te scheiden van de langere trend. ML.SEASONALITY zoekt naar terugkerende patronen per uur, dag, week, maand of kwartaal.
Google laat in een voorbeeld zien hoe meerdere functies achter elkaar kunnen worden gebruikt. Eerst wordt met ML.DETECT_CHANGE_POINTS een structurele verandering in een tijdreeks gevonden. Vervolgens kan AI.KEY_DRIVERS bepalen welke factoren daar het meest aan bijdragen. Met AI.CAUSAL_EFFECT kan daarna worden onderzocht in hoeverre een specifieke gebeurtenis daadwerkelijk effect heeft gehad.
Voor AI.CAUSAL_EFFECT gebruikt BigQuery een voorspelde tegenfeitelijke situatie als vergelijking: wat zou er naar verwachting zijn gebeurd als de onderzochte interventie niet had plaatsgevonden. Google documenteert deze functie momenteel als preview.
Ook inzetbaar door AI-agents
De functies geven hun resultaten terug als gestructureerde SQL-output. Daardoor kunnen ze niet alleen rechtstreeks in queries worden gebruikt, maar volgens Google ook als analytische skills voor AI-agents dienen.
De zes functies zijn ook beschikbaar binnen Conversational Analytics van BigQuery. Een agent kan daarmee op basis van een vraag in natuurlijke taal meerdere analytische stappen achter elkaar uitvoeren, bijvoorbeeld eerst een afwijking opsporen en daarna naar mogelijke oorzaken zoeken.
Google heeft daarnaast skills voor de nieuwe BigQuery AI- en ML-functies beschikbaar gemaakt via zijn openbare Skills-repository.
Bron: Google Cloud
