Enhancing Data Usability Through Cloud Native Visualization and Predictive Frameworks
Notice bibliographique
Résumé
Organizations increasingly require real-time, trustworthy insight from heterogeneous data streams. We present a cloud-native predictive visualization framework that unifies streaming ingestion, governed warehousing, interactive dashboards, and in-warehouse machine learning on Google Cloud. The architecture couples Cloud Pub/Sub and Dataflow for low-latency ingestion, BigQuery for serverless analytics and feature storage, Cloud Data Catalog for governance, and Looker Studio for role-based, live dashboards. Predictive models are trained and served via BigQuery ML and/or Vertex AI, enabling SQL-first modeling and seamless deployment to production dashboards. The pipeline emphasizes reliability (checkpointing, autoscaling, DAG orchestration) and introduces safety-aware modeling and monitoring patterns for sustained operations. Using enterprise-style workloads, the proposed stack achieves 155k rows/s processing throughput, 290 ms median query time, 180 ms visualization latency, 9.1/10 dashboard responsiveness, 92.8% predictive accuracy,$3.9 \text{GB} / \mathrm{s}$scalability, 99.4% uptime, and USD 1.9 per 1,000 operations. Comparative baselines, including traditional BI and cloud alternatives, lag across all metrics. Violin, Pareto, radar, and Kaplan-Meier analyses further demonstrate tighter tail latency, cost-throughput efficiency, balanced operational posture, and faster failure recovery. Statistical tests with Holm correction indicate significance at$p<0.05$. The result is an end-to-end, industry-agnostic blueprint that turns raw streams into governed, explainable, and actionable intelligence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».