Le catalogue IA de DataRobot permet le développement de modèles grâce à l'extraction de données SQL

Libérez le potentiel de vos données grâce au catalogue IA de DataRobot ! Ce guide explique comment JDBC facilite l'extraction transparente des données SQL. Apprenez à maîtriser les instructions SQL dans DataRobot pour optimiser la génération de modèles IA et l'analyse prédictive. Ce guide complet démontre la simplicité et les capacités robustes offertes par DataRobot pour le développement de l'IA.

Points clés

L'utilisation de JDBC pour l'extraction de données SQL rationalise le chargement des données dans DataRobot.

Les instructions SQL prennent en charge la génération de modèles et les prédictions dans l'environnement DataRobot.

Le catalogue IA de DataRobot permet de créer des instantanés de données dynamiques et d'utiliser des requêtes SQL.

DataRobot est un puissant outil de création d'IA qui offre plusieurs méthodes d'accès aux données.

Comprendre l'intégration de DataRobot et SQL

Qu'est-ce que DataRobot ?

DataRobot est une plateforme d'IA conçue pour permettre aux entreprises de créer et de déployer des solutions d'IA. Elle offre des fonctionnalités d'apprentissage automatique (AutoML), permettant aux utilisateurs de développer des modèles prédictifs sans programmation approfondie. Avec DataRobot, les organisations peuvent rationaliser l'ensemble du cycle de vie de l'IA, de la préparation des données au déploiement et à la surveillance des modèles. La plateforme prend en charge diverses méthodes de connexion de données afin de faciliter les workflows de science des données.

Le rôle du SQL et du JDBC dans l'extraction de données

Le langage SQL (Structured Query Language) est un langage fondamental pour la gestion et la récupération de données à partir de bases de données relationnelles. DataRobot utilise le langage SQL via JDBC (Java Database Connectivity), ce qui permet de se connecter à diverses bases de données et d'extraire des données via des requêtes SQL. JDBC sert de pont, traduisant les requêtes SQL en commandes compréhensibles par le système de base de données. Cette puissante intégration permet à DataRobot d'accéder aux données de l'ensemble de l'entreprise et de les traiter.

L'intervenant fait référence à la version 9.0 de DataRobot, qui a rationalisé ses API. Les exemples de code dans ce guide refléteront cette version mise à jour.

Avantages de l'utilisation de SQL avec DataRobot

L'intégration de SQL à DataRobot offre plusieurs avantages clés :

• Sélection précise des données : les requêtes SQL permettent aux utilisateurs d'identifier les données exactes nécessaires à l'entraînement du modèle, ce qui améliore la précision et l'efficacité du modèle.
• Transformation des données : SQL facilite le nettoyage, l'agrégation et la transformation des données avant leur importation dans DataRobot.
• Mises à jour dynamiques des données : JDBC permet à DataRobot de maintenir des connexions en direct aux bases de données, ce qui permet aux modèles de s'adapter aux changements de données en utilisant les informations les plus récentes.
• Gouvernance améliorée des données : l'extraction basée sur SQL garantit que l'accès aux données est conforme aux politiques de sécurité et de gouvernance établies.

En tirant parti du SQL, les data scientists peuvent appliquer efficacement leurs compétences existantes pour extraire et préparer les données en vue du développement de modèles d'IA dans DataRobot.

Guide étape par étape pour extraire des données SQL dans DataRobot

Connexion à une base de données

La première étape consiste à établir une connexion entre DataRobot et votre base de données cible.

1. Accédez au catalogue IA : accédez au catalogue IA dans l'interface DataRobot.

   

2. Ajouter une nouvelle connexion de données : sélectionnez l'option permettant d'ajouter une nouvelle source de données. Le présentateur utilise comme exemples les connexions existantes à une base de données SAP Hana et à Snowflake.

3. Configurer la connexion : saisissez les informations de connexion nécessaires, notamment le type de base de données, l'adresse du serveur, le port, le nom d'utilisateur et le mot de passe.

4. Tester la connexion : validez la connexion pour vous assurer que DataRobot peut communiquer correctement avec la base de données.

Une fois la connexion établie, vous pouvez procéder à l'extraction des données.

Utilisation de requêtes SQL pour l'extraction de données

Une fois la connexion à la base de données établie, vous pouvez utiliser des requêtes SQL pour spécifier les données à extraire.

1. Sélectionnez la connexion de données. Choisissez votre connexion existante, ce qui ouvrira une fenêtre contextuelle Connexion de données.
2. Choisissez l'option Requête SQL

   : choisissez d'utiliser une requête SQL pour l'extraction des données.

3. Écrivez votre requête SQL : entrez votre requête dans l'éditeur fourni, en sélectionnant les colonnes et les lignes pertinentes pour votre projet d'IA. Vous pouvez également effectuer des opérations de base telles que l'instruction ORDER BY.
4. Exécutez la requête : exécutez la requête SQL pour vérifier qu'elle récupère les données correctes. DataRobot validera la requête et affichera un aperçu des résultats, comme le montre l'exemple d'instruction SELECT.

Exemples d'instructions SQL :

• Sélectionner uniquement les colonnes de base
• Utilisation de ORDER BY pour échantillonner des données de manière aléatoire à partir d'une table

Considérations importantes : assurez-vous que votre requête n'utilise pas OUTER JOIN.

| Astuce| Description|| :--------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- || **Évitez les OUTER JOIN**| Actuellement, le catalogue IA de DataRobot ne prend pas en charge les requêtes SQL avec OUTER JOIN. Utilisez uniquement les opérations JOIN standard pour une extraction optimale des données. || **Validez votre requête SQL**| Assurez-vous que votre requête SQL est syntaxiquement correcte et renvoie les résultats attendus. Vérifiez les noms des colonnes, les noms des tables et toutes les conditions de filtrage.|| **Comprenez la source de données**| Familiarisez-vous avec la structure des tables de base de données sous-jacentes et les relations entre elles. Cela vous aidera à rédiger des requêtes SQL efficaces et précises. || **Créez des requêtes dynamiques**| Vous pouvez créer des requêtes SQL dynamiques qui s'adaptent en fonction de l'évolution des conditions des données, rendant vos modèles d'IA plus réactifs aux scénarios réels.|| **Tenez compte du volume de données**| Soyez attentif à la quantité de données que vous extrayez. Les ensembles de données volumineux peuvent prendre plus de temps à traiter et avoir un impact sur les performances de DataRobot. Optimisez vos requêtes SQL afin de ne récupérer que les données nécessaires. || **Assurez-vous que les informations d'identification sont chargées** |Assurez-vous de disposer des informations d'identification nécessaires pour vous connecter à la base de données dans le magasin de données afin de faciliter son utilisation.|

Importation et préparation des données dans DataRobot

Après avoir validé votre requête SQL, importez les données extraites dans DataRobot.

1. Enregistrez les données : enregistrez votre requête SQL et vos identifiants pour les utiliser, en vous assurant d'avoir sélectionné l'option appropriée.

   

2. Fournissez un résumé de l'ensemble de données. Cela aide les utilisateurs à comprendre le contenu et l'objectif de l'ensemble de données.

3. Créer un projet : une fois vos données SQL dans DataRobot, lancez un nouveau projet.

4. Définissez les objectifs du projet : sélectionnez votre variable cible (la variable que vous souhaitez prédire). DataRobot analysera automatiquement les données et recommandera des stratégies de modélisation appropriées.

5. Exécutez Autopilot : lancez la fonctionnalité Autopilot de DataRobot. Ce processus automatisé crée et évalue de nombreux modèles d'apprentissage automatique afin d'identifier les plus performants pour votre ensemble de données.

6. Déployez le meilleur modèle : DataRobot traite les données et classe les modèles dans un tableau de classement, la sélection la plus performante étant marquée comme « Recommandée pour le déploiement ». Cliquez sur le titre, déployez et testez avec vos données.

DataRobot rationalise l'extraction des données en permettant de travailler via le catalogue IA, qui utilise directement la source de données sous-jacente.

Utilisation avancée du SQL pour les prédictions en temps réel dans DataRobot

Permettre des prédictions en temps réel avec des données dynamiques

Au-delà de la formation de modèles par lots, l'intégration SQL permet des prédictions en temps réel dans DataRobot. En configurant une connexion JDBC en direct, les modèles peuvent accéder aux informations les plus récentes directement à partir de la base de données, garantissant ainsi que les prédictions sont toujours basées sur des données à jour. Le processus comprend :

• Le chargement des données via une requête SQL JDBC.
• Permettre aux modèles de générer des évaluations basées sur ces données.
• Fournir des implémentations précises basées sur l'IA.

Comprendre la tarification de DataRobot

Présentation des tarifs de DataRobot

DataRobot propose différents plans tarifaires adaptés aux différents besoins et échelles d'utilisation des entreprises. Les tarifs dépendent généralement de facteurs tels que le nombre d'utilisateurs, l'échelle de déploiement et le niveau d'assistance et de services requis. Pour obtenir des informations précises et actualisées sur les tarifs, qui peuvent varier en fonction des besoins spécifiques des clients, contactez directement DataRobot via son site web afin de déterminer si la plateforme vous convient.

DataRobot et l'extraction de données SQL : avantages et inconvénients

Avantages

L'extraction de données SQL renforce la gouvernance et la sécurité des données.

La connectivité JDBC prend en charge les prédictions en temps réel grâce à des mises à jour dynamiques des données.

SQL simplifie les tâches de sélection et de transformation des données.

L'apprentissage automatique accélère le développement des modèles.

Inconvénients

Les instructions OUTER JOIN ne sont pas compatibles avec le catalogue IA de DataRobot.

La gestion des identifiants peut s'avérer complexe.

La structure tarifaire peut poser des difficultés à certains utilisateurs.

La plateforme peut présenter une courbe d'apprentissage initiale abrupte.

Principales fonctionnalités de DataRobot

Fonctionnalités de DataRobot

DataRobot est une plateforme complète dotée de plusieurs fonctionnalités remarquables.

• Apprentissage automatique (AutoML)
• Catalogue IA de DataRobot
• Connectivité JDBC pour l'extraction de données SQL
• Déploiement et surveillance des modèles
• Outils de collaboration et de gouvernance

Cas d'utilisation concrets de l'intégration SQL de DataRobot

Exemples d'utilisation

Voici plusieurs applications concrètes qui démontrent la puissance de l'intégration SQL de DataRobot :

• Maintenance prédictive : extrayez les données des capteurs à partir des bases de données des équipements industriels à l'aide de SQL. Les modèles DataRobot peuvent ensuite prédire les besoins en maintenance, ce qui réduit les temps d'arrêt et améliore l'efficacité opérationnelle.
• Détection des fraudes : les requêtes SQL extraient les données transactionnelles des bases de données financières, ce qui permet à DataRobot d'identifier les activités frauduleuses en temps réel et d'éviter les pertes financières.
• Marketing personnalisé : l'extraction SQL à partir des bases de données clients permet à DataRobot d'adapter les campagnes marketing, améliorant ainsi l'engagement des clients et les taux de conversion.
• Évaluation des risques : dans le domaine des services financiers, SQL extrait l'historique de crédit et les données du marché, ce qui permet à DataRobot d'effectuer des évaluations précises des risques liés aux prêts.
• Optimisation de la chaîne d'approvisionnement : l'extraction de données à partir des bases de données de la chaîne d'approvisionnement permet à DataRobot d'optimiser la logistique, de gérer les stocks et de prévoir les perturbations potentielles.

Ces exemples illustrent comment DataRobot, associé à SQL, peut être appliqué dans tous les secteurs pour améliorer la prise de décision et les performances opérationnelles.

FAQ

À quels types de bases de données DataRobot peut-il se connecter à l'aide de JDBC ?

DataRobot prend en charge un large éventail de bases de données via JDBC, notamment MySQL, PostgreSQL, Oracle, SQL Server, SAP Hana et Snowflake.

Puis-je utiliser des procédures stockées avec l'intégration SQL de DataRobot ?

Oui, vous pouvez intégrer des procédures stockées dans les requêtes SQL exécutées dans DataRobot pour la manipulation et la récupération des données.

Quelles sont les limites de l'utilisation de SQL avec DataRobot ?

Actuellement, DataRobot ne prend pas en charge les opérations OUTER JOIN dans les requêtes SQL. De plus, l'extraction de très grands ensembles de données via SQL peut affecter les performances, ce qui nécessite une optimisation des requêtes.

Comment puis-je garantir la sécurité des données lorsque je me connecte à des bases de données avec DataRobot ?

DataRobot prend en charge les connexions cryptées (SSL) et la gestion sécurisée des identifiants afin de garantir que l'accès aux données est conforme aux politiques et réglementations en matière de sécurité.

Questions connexes

Quels sont les principaux avantages de l'apprentissage automatique (AutoML) ?

L'apprentissage automatique (AutoML) offre plusieurs avantages significatifs qui accélèrent le développement de l'IA : Efficacité accrue : l'AutoML automatise les tâches manuelles telles que l'ingénierie des fonctionnalités, la sélection des modèles et le réglage des hyperparamètres. Démocratisation de l'IA : il rend l'IA plus accessible aux utilisateurs ayant une expérience limitée en codage, permettant ainsi aux analystes commerciaux de générer des modèles. Retour sur investissement plus rapide : l'AutoML accélère le cycle de développement des modèles, permettant une itération et un déploiement rapides, un facteur clé pour maintenir un avantage concurrentiel. Amélioration des performances des modèles : en automatisant le réglage des hyperparamètres et l'assemblage, l'AutoML produit souvent des résultats supérieurs à ceux des modèles réglés manuellement. Il évalue et combine différents modèles afin de trouver la configuration optimale pour un ensemble de données spécifique. Évolutivité : l'AutoML aide les organisations à faire évoluer efficacement leurs initiatives en matière d'IA, permettant aux scientifiques des données de traiter un volume plus important de projets et de modèles, ce qui est particulièrement utile pour les entreprises disposant de sources de données diverses et ayant des besoins analytiques complexes.