Cloud Functions Python et scheduling

Section 12.3.4 : Cloud Functions Python et scheduling

🎯 Objectif pédagogique

Déployer des Cloud Functions Python (Google Cloud) pour exécuter du code à la demande ou sur un schedule : ETL custom, enrichissement IA, alertes automatiques.

Cloud Functions : du Python dans le cloud

Les Cloud Functions sont des morceaux de code qui s'exécutent dans le cloud sans serveur à gérer. Idéal pour :

• →Traitement de données planifié (chaque matin à 8h)
• →Webhooks (répondre à un événement)
• →ETL custom (extraction/transformation de données)
• →Enrichissement IA (appeler GPT sur un dataset)

Exemple : enrichissement IA planifié

import functions_framework
from google.cloud import bigquery
from openai import OpenAI
import os

client_bq = bigquery.Client()
client_ai = OpenAI(api_key=os.environ['OPENAI_API_KEY'])

@functions_framework.http
def enrich_leads(request):
    """Enrichit les leads non qualifiés avec GPT."""
    
    # 1. Récupérer les leads non enrichis
    query = """
        SELECT id, company, industry, website
        FROM analytics.leads
        WHERE ai_summary IS NULL
        LIMIT 50
    """
    leads = list(client_bq.query(query))
    
    # 2. Enrichir chaque lead avec GPT
    for lead in leads:
        prompt = f"""
        Analyse cette entreprise et produis un résumé de 2 lignes 
        sur son potentiel comme client pour une solution IA B2B.
        
        Entreprise: {lead.company}
        Secteur: {lead.industry}
        Site: {lead.website}
        """
        
        response = client_ai.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": prompt}],
            max_tokens=100
        )
        
        summary = response.choices[0].message.content
        
        # 3. Mettre à jour BigQuery
        update = f"""
            UPDATE analytics.leads 
            SET ai_summary = '{summary.replace("'", "''")}'
            WHERE id = {lead.id}
        """
        client_bq.query(update)
    
    return f"Enriched {len(leads)} leads"

Déploiement et scheduling

# Déployer la Cloud Function
gcloud functions deploy enrich_leads \
    --runtime python312 \
    --trigger-http \
    --set-env-vars OPENAI_API_KEY=sk-xxx

# Planifier l'exécution quotidienne (Cloud Scheduler)
gcloud scheduler jobs create http enrich-daily \
    --schedule "0 8 * * *" \
    --uri "https://REGION-PROJECT.cloudfunctions.net/enrich_leads" \
    --http-method GET