Duet AI : transformez votre tableau de bord réactif en préventif !

Table des matières

1. Introduction
2. Analyse du tableau de bord de l'usine
3. Utiliser Duet AI pour comprendre la baisse de débit
4. Diagnostiquer et réparer les problèmes matériels
5. Transformer le tableau de bord réactif en préventif
6. Utiliser BigQuery Studio pour créer un modèle de maintenance préventive
7. Exploration des données existantes dans BigQuery Studio
8. Utilisation de Duet AI pour générer du code SQL
9. Intégration des données multi-cloud dans le modèle
10. Exécution du modèle en temps réel avec Python
11. Utiliser les rapports d'inspection non structurés pour les recommandations
12. Utilisation de l'apprentissage génératif pour améliorer les réponses
13. Déploiement du pipeline et affichage des résultats sur le tableau de bord
14. Conclusion

🏭 Analyse du tableau de bord de l'usine

Lorsque notre professionnel des données, également appelé data pro, a rejoint sa nouvelle entreprise, l'une de ses responsabilités était de transformer le tableau de bord de l'usine de son équipe d'un mode réactif à un mode préventif. Le tableau de bord, alimenté par Looker, affiche en temps réel les données structurées et non structurées de l'usine, qui sont chargées, analysées et présentées dans Google Cloud. En examinant le tableau de bord, le data pro remarque que l'un des sites de production rencontre des problèmes avec son débit, qui est inférieur à la cible depuis 14h00. Pour comprendre la baisse du débit, le data pro décide d'utiliser Duet AI en posant une question dans la fenêtre de chat : "Pourquoi le débit a-t-il chuté à 14h00 ?". Duet AI lui répond en identifiant la ligne de production concernée et en lui suggérant d'autres questions pour rechercher des corrélations avec la baisse du débit.

🕵️‍♂️ Utiliser Duet AI pour comprendre la baisse de débit

Grâce aux conseils de Duet AI, le data pro découvre que la baisse du débit est due à des problèmes matériels. Duet AI fournit des statistiques sur les machines qui aideront le data pro à diagnostiquer et à réparer le problème physique. Cette assistance est précieuse, car sans Duet AI, le data pro aurait dû demander l'aide d'un autre ingénieur de données, car ces données ne sont pas facilement accessibles. Cependant, maintenant qu'il comprend pourquoi il a été chargé de rendre le tableau de bord préventif plutôt que réactif, le data pro se lance dans la construction d'un modèle de maintenance préventive pour identifier les pannes futures et les éviter. Il décide de commencer son travail dans BigQuery Studio, un environnement unifié dans lequel il peut construire différents éléments, y compris en Python. Avant de commencer, il examine les données existantes dans BigQuery pour éviter de repartir de zéro. Il découvre deux jeux de données, l'un dans Google Cloud et l'autre dans un environnement de cloud différent. Il sélectionne une table de débit prometteuse comme point de départ et utilise l'outil de profilage des données pour effectuer une analyse exploratoire légère. Il constate également que des contrôles de qualité automatisés sont en place, ce qui est encourageant, car il sait que ces données sont maintenues à jour.

🔍 Diagnostiquer et réparer les problèmes matériels

Le data pro utilise les statistiques fournies par Duet AI pour commencer à diagnostiquer les problèmes matériels. Ces données seront essentielles pour la réparation physique des machines dans le but de rétablir le débit optimal. Grâce à l'Aide de Duet AI, le data pro peut mener ces activités de diagnostic de manière autonome, sans avoir besoin d'une assistance supplémentaire. Cela lui permet d'accélérer le processus de recherche de solutions et d'améliorer l'efficacité de l'usine. En outre, Duet AI facilite également la génération de code SQL en suggérant des requêtes pertinentes pour extraire des informations spécifiques du jeu de données. Cette fonctionnalité permet au data pro de gagner du temps et de se concentrer sur l'analyse plutôt que sur l'écriture manuelle du code SQL.

⚙️ Transformer le tableau de bord réactif en préventif

Maintenant que le data pro comprend les raisons de la baisse du débit et a commencé à résoudre les problèmes matériels, il est prêt à transformer le tableau de bord réactif en un tableau de bord préventif. Pour ce faire, il doit construire un modèle de maintenance préventive capable d'identifier les futures périodes d'arrêt et de les éviter. Il choisit donc de travailler dans BigQuery Studio pour créer ce modèle. Grâce à cet environnement unifié, il peut construire et expédier des modèles de données en utilisant différents langages de programmation, y compris Python. En examinant les données existantes, le data pro découvre qu'une autre source de données contient des informations de référence pertinentes pour son modèle. Il importe ces données dans son modèle, sachant qu'il pourra également les utiliser pour d'autres projets d'apprentissage automatique. Le data pro apprécie également la fonctionnalité de génération et de complétion SQL de Duet AI, qui lui permet de générer du code SQL plus rapidement et plus efficacement.

📊 Utiliser BigQuery Studio pour créer un modèle de maintenance préventive

Le data pro utilise BigQuery Studio pour créer et affiner son modèle de maintenance préventive. Grâce à cet environnement unifié, il peut importer les données nécessaires, explorer les jeux de données existants et exécuter des requêtes de manière interactive. Le data pro est impressionné par l'outil de profilage des données de BigQuery Studio, qui lui permet d'effectuer des analyses exploratoires légères pour mieux comprendre les caractéristiques des données et leur qualité. Il peut également visualiser les statistiques descriptives et identifier les relations entre les variables. Cet outil facilite grandement le processus de préparation des données pour le modèle de maintenance préventive. En utilisant Duet AI intégré à BigQuery Studio, le data pro peut générer du code SQL plus rapidement et plus efficacement. Duet AI comprend même les erreurs de frappe et propose des suggestions de requêtes basées sur le contexte, ce qui permet au data pro d'accélérer le développement du modèle de maintenance préventive.

🔄 Exploration des données existantes dans BigQuery Studio

Avant de commencer à construire le modèle de maintenance préventive, le data pro utilise BigQuery Studio pour explorer les données existantes. Il découvre deux jeux de données, l'un dans Google Cloud et l'autre dans un environnement de cloud différent. En examinant les données, le data pro identifie une table de débit prometteuse qui lui servira de point de départ. Grâce à l'outil de profilage des données de BigQuery Studio, le data pro peut obtenir rapidement des informations sur la structure et la qualité des données. Il effectue une analyse exploratoire légère pour identifier les tendances et les relations entre les variables. Le data pro est également rassuré de constater que des contrôles de qualité automatisés sont en place, ce qui garantit que les données sont mises à jour régulièrement et maintenues avec précision.

✨ Utilisation de Duet AI pour générer du code SQL

Avec l'aide de Duet AI intégré à BigQuery Studio, le data pro peut accélérer le développement de son modèle de maintenance préventive en générant du code SQL. Tout en travaillant dans l'environnement de BigQuery Studio, le data pro peut poser des questions à Duet AI, qui génère automatiquement le code SQL correspondant. En utilisant cette fonctionnalité, le data pro peut économiser du temps et de l'effort en évitant d'écrire manuellement le code SQL. Duet AI est capable de comprendre les besoins du data pro, même en cas d'erreurs de frappe, ce qui facilite grandement le développement du modèle de maintenance préventive.

🌐 Intégration des données multi-cloud dans le modèle

Puisque notre data pro travaille sur plusieurs projets d'apprentissage automatique et utilise des données provenant de différents environnements cloud, il décide d'intégrer ces données dans son modèle de maintenance préventive. Grâce à BigQuery Studio, il peut facilement accéder aux données à partir de différentes sources et les combiner dans son modèle. Cette intégration multi-cloud permet au data pro d'avoir une vue complète des données et de construire un modèle de maintenance préventive plus précis et robuste.

🐍 Exécution du modèle en temps réel avec Python

Le data pro utilise Python pour exécuter le modèle de maintenance préventive en temps réel, avec des données de production réelles. En mélangeant les langages dans le même notebook de travail BigQuery, le data pro peut tirer parti de la puissance de Python pour effectuer des opérations plus avancées sur le modèle, tout en bénéficiant de l'évolutivité de BigQuery pour les requêtes de données. Il peut ainsi analyser les résultats du modèle et générer des prédictions précises en temps réel. Cela permet de prendre des mesures proactives pour maintenir le fonctionnement optimal de l'usine et d'éviter les temps d'arrêt coûteux.

💡 Utiliser les rapports d'inspection non structurés pour les recommandations

Pour aider les opérateurs de l'usine à maintenir le fonctionnement optimal de l'usine, le data pro utilise des rapports d'inspection non structurés. Ces rapports contiennent des informations précieuses sur l'état des machines et les actions recommandées. Pour extraire les informations pertinentes de ces rapports, le data pro utilise une méthode appelée "retrieval augmented generation". Cette méthode utilise à la fois les données existantes et un modèle de langage pour construire un agent qui peut se connecter aux données et fournir des réponses plus fiables. Le data pro utilise des outils intégrés à BigQuery, tels que Vertex AI et le moteur d'inférence ML de BigQuery, pour améliorer la fiabilité des réponses générées par le modèle de langage et réduire les erreurs de raisonnement. Grâce à ces outils, le data pro peut obtenir rapidement des recommandations précises pour aider les opérateurs de l'usine à maintenir le fonctionnement optimal de l'usine.

🚀 Déploiement du pipeline et affichage des résultats sur le tableau de bord

Une fois que le modèle de maintenance préventive est prêt, le data pro peut déployer le pipeline pour afficher les résultats sur le tableau de bord de l'usine. Les résultats prédictifs du modèle sont désormais affichés sur le tableau de bord, offrant ainsi une vue en temps réel de l'état de l'usine. De plus, le data pro peut utiliser Looker pour définir des actions afin que les bonnes personnes soient informées et puissent prendre des mesures en fonction des nouvelles recommandations générées par le modèle. Grâce à ces fonctionnalités, le tableau de bord de l'usine est passé d'un mode réactif à un mode préventif, permettant ainsi à l'équipe de l'usine d'anticiper les problèmes et de prendre des mesures proactives pour les résoudre.

📝 Conclusion

Dans cet article, nous avons suivi notre data pro dans sa mission de transformer le tableau de bord réactif de l'usine en un tableau de bord préventif. Grâce à l'utilisation de Duet AI et de BigQuery Studio, le data pro a pu analyser le tableau de bord de l'usine, diagnostiquer les problèmes matériels, construire un modèle de maintenance préventive et fournir des recommandations aux opérateurs de l'usine. L'utilisation d'outils intégrés tels que Duet AI et BigQuery Studio a permis au data pro de gagner du temps, d'améliorer l'efficacité et de prendre des décisions plus éclairées basées sur les données. En intégrant des modèles d'apprentissage génératif et des technologies multi-cloud, le data pro a pu résoudre les problèmes avec succès et passer d'un mode réactif à un mode préventif pour le tableau de bord de l'usine. Ce projet démontre l'importance d'utiliser les bonnes technologies et les bonnes méthodes d'analyse des données pour améliorer l'efficacité opérationnelle et réduire les temps d'arrêt dans un environnement industriel complexe. Avec les outils appropriés et une approche axée sur les données, les entreprises peuvent optimiser leurs opérations et maximiser leur productivité."""