O DataRobot AI Catalog permite o desenvolvimento de modelos com extração de dados SQL

Descubra todo o potencial dos seus dados com o Catálogo de IA da DataRobot! Este guia mostra como o JDBC facilita a extração de dados SQL sem complicações. Aprenda a dominar as instruções SQL na DataRobot para impulsionar a geração de modelos de IA e análises preditivas. Este guia completo mostra a simplicidade e os recursos robustos que a DataRobot oferece para o desenvolvimento de IA.

Pontos principais

O uso do JDBC para extração de dados SQL agiliza o carregamento de dados no DataRobot.

As instruções SQL oferecem suporte à geração de modelos e previsões no ambiente DataRobot.

O Catálogo de IA do DataRobot permite instantâneos de dados dinâmicos e o uso de consultas SQL.

O DataRobot é uma poderosa ferramenta de criação de IA que oferece vários métodos para acessar dados.

Entendendo a integração entre o DataRobot e o SQL

O que é o DataRobot?

O DataRobot é uma plataforma de IA projetada para capacitar as empresas na criação e implantação de soluções de IA. Ele fornece recursos de aprendizado de máquina automatizado (AutoML), permitindo que os usuários desenvolvam modelos preditivos sem programação extensa. Com o DataRobot, as organizações podem otimizar todo o ciclo de vida da IA, desde a preparação dos dados até a implantação e o monitoramento do modelo. A plataforma oferece suporte a diversos métodos de conexão de dados para facilitar os fluxos de trabalho de ciência de dados.

O papel do SQL e do JDBC na extração de dados

A Linguagem de Consulta Estruturada (SQL) é uma linguagem fundamental para gerenciar e recuperar dados de bancos de dados relacionais. O DataRobot utiliza SQL por meio da Conectividade de Banco de Dados Java (JDBC), permitindo conexões com vários bancos de dados e extração de dados por meio de consultas SQL. O JDBC serve como uma ponte, traduzindo as solicitações SQL em comandos que o sistema de banco de dados compreende. Essa integração poderosa permite que o DataRobot acesse e processe dados de toda a empresa.

O palestrante faz referência à versão 9.0 do DataRobot, que simplificou suas APIs. Os exemplos de código neste guia refletirão essa versão atualizada.

Benefícios do uso do SQL com o DataRobot

A integração do SQL com o DataRobot oferece várias vantagens importantes:

• Seleção precisa de dados: as consultas SQL permitem que os usuários identifiquem os dados exatos necessários para o treinamento do modelo, aumentando a precisão e a eficiência do modelo.
• Transformação de dados: o SQL facilita a limpeza, agregação e transformação dos dados antes de importá-los para o DataRobot.
• Atualizações dinâmicas de dados: o JDBC permite que o DataRobot mantenha conexões ativas com bancos de dados, permitindo que os modelos se adaptem às mudanças nos padrões de dados usando as informações mais recentes.
• Governança de dados aprimorada: a extração baseada em SQL garante que o acesso aos dados esteja em conformidade com as políticas de segurança e governança estabelecidas.

Ao aproveitar o SQL, os cientistas de dados podem aplicar suas habilidades existentes de maneira eficaz para extrair e preparar dados para o desenvolvimento de modelos de IA no DataRobot.

Guia passo a passo para extrair dados SQL para o DataRobot

Conectando-se a um banco de dados

A primeira etapa é estabelecer uma conexão entre o DataRobot e o banco de dados de destino.

1. Acesse o Catálogo de IA: navegue até o Catálogo de IA na interface do DataRobot.

   

2. Adicionar uma nova conexão de dados: selecione a opção para adicionar uma nova fonte de dados. O apresentador usa conexões existentes com um banco de dados SAP Hana e Snowflake como exemplos.

3. Configure a conexão: insira os detalhes de conexão necessários, incluindo tipo de banco de dados, endereço do servidor, porta, nome de usuário e senha.

4. Teste a conexão: valide a conexão para garantir que o DataRobot possa se comunicar com sucesso com o banco de dados.

Depois que a conexão for estabelecida, você poderá prosseguir com a extração de dados.

Usando consultas SQL para extração de dados

Com uma conexão de banco de dados estabelecida, você pode usar consultas SQL para especificar os dados a serem extraídos.

1. Selecione a conexão de dados. Escolha sua conexão existente, o que abrirá uma janela pop-up Conexão de dados.
2. Escolha a opção Consulta SQL

   : opte por usar uma consulta SQL para extração de dados.

3. Escreva sua consulta SQL: insira sua consulta no editor fornecido, selecionando as colunas e linhas relevantes para seu projeto de IA. Você também pode realizar operações básicas, como a instrução ORDER BY.
4. Execute a consulta: execute a consulta SQL para verificar se ela recupera os dados corretos. O DataRobot validará a consulta e exibirá uma prévia dos resultados, conforme demonstrado com uma instrução SELECT de amostra.

Exemplos de instruções SQL incluem:

• Selecionando apenas colunas de linha de base
• Usar ORDER BY para amostrar dados aleatoriamente de uma tabela

Considerações importantes: certifique-se de que sua consulta não use OUTER JOIN.

| Dica| Descrição|| :--------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- || **Evite OUTER JOINs**| Atualmente, o Catálogo de IA do DataRobot não oferece suporte a consultas SQL com OUTER JOINs. Use operações JOIN padrão para obter a extração ideal de dados. || **Valide sua consulta SQL**| Certifique-se de que sua consulta SQL esteja sintaticamente correta e retorne os resultados esperados. Verifique novamente os nomes das colunas, os nomes das tabelas e quaisquer condições de filtragem.|| **Entenda a fonte de dados**| Familiarize-se com a estrutura das tabelas do banco de dados subjacente e as relações entre elas. Isso ajudará você a escrever consultas SQL eficientes e precisas. || **Crie consultas dinâmicas**| Você pode criar consultas SQL dinâmicas que se adaptam com base nas mudanças nas condições dos dados, tornando seus modelos de IA mais responsivos a cenários do mundo real.|| **Considere o volume de dados**| Esteja atento à quantidade de dados que você está extraindo. Conjuntos de dados grandes podem levar mais tempo para serem processados e afetar o desempenho do DataRobot. Otimize suas consultas SQL para recuperar apenas os dados necessários. || **Certifique-se de que as credenciais estejam carregadas** |Certifique-se de ter suas credenciais para se conectar ao banco de dados no armazenamento de dados para facilitar o uso.|

Importando e preparando dados no DataRobot

Após validar sua consulta SQL, importe os dados extraídos para o DataRobot.

1. Registre os dados: registre sua consulta SQL e credenciais para uso, certificando-se de ter selecionado a opção apropriada.

   

2. Forneça um resumo do conjunto de dados. Isso ajuda os usuários a entender o conteúdo e a finalidade do conjunto de dados.

3. Crie um projeto: com seus dados SQL no DataRobot, inicie um novo projeto.

4. Defina as metas do projeto: selecione sua variável-alvo (a variável que você deseja prever). O DataRobot analisará automaticamente os dados e recomendará estratégias de modelagem adequadas.

5. Execute o Autopilot: inicie o recurso Autopilot do DataRobot. Esse processo automatizado cria e avalia vários modelos de aprendizado de máquina para identificar os melhores desempenhos para o seu conjunto de dados.

6. Implemente o melhor modelo: o DataRobot processa os dados e classifica os modelos em um quadro de líderes, com a seleção principal marcada como “Recomendado para implementação”. Clique no título, implemente e teste com seus dados.

O DataRobot simplifica a extração de dados, permitindo o trabalho por meio do Catálogo de IA, que usa diretamente a fonte de dados subjacente.

Uso avançado de SQL para previsões em tempo real no DataRobot

Habilitando previsões em tempo real com dados dinâmicos

Além do treinamento de modelos em lote, a integração com SQL permite previsões em tempo real no DataRobot. Ao configurar uma conexão JDBC ativa, os modelos podem acessar as informações mais atuais diretamente do banco de dados, garantindo que as previsões sejam sempre baseadas em dados atualizados. O processo envolve:

• Carregamento de dados por meio de uma consulta SQL JDBC.
• Permitir que os modelos gerem avaliações com base nesses dados.
• Entrega de implementações precisas com tecnologia de IA.

Entendendo os preços do DataRobot

Visão geral dos preços do DataRobot

O DataRobot oferece vários planos de preços adaptados a diferentes necessidades comerciais e escalas de uso. Os preços geralmente dependem de fatores como o número de usuários, a escala de implantação e o nível necessário de suporte e serviços. Para obter detalhes precisos e atualizados sobre preços, que podem variar de acordo com os requisitos específicos do cliente, entre em contato diretamente com o DataRobot através do site para determinar se a plataforma é a mais adequada para você.

DataRobot e extração de dados SQL: prós e contras

Prós

A extração de dados SQL fortalece a governança e a segurança dos dados.

A conectividade JDBC oferece suporte a previsões em tempo real com atualizações dinâmicas de dados.

O SQL simplifica as tarefas de seleção e transformação de dados.

O aprendizado de máquina automatizado acelera o desenvolvimento de modelos.

Contras

As instruções OUTER JOIN não são compatíveis com o Catálogo de IA do DataRobot.

O gerenciamento de credenciais pode ser complexo.

A estrutura de preços pode apresentar desafios para alguns usuários.

A plataforma pode ter uma curva de aprendizado inicial íngreme.

Principais recursos do DataRobot

Recursos do DataRobot

O DataRobot é uma plataforma abrangente com vários recursos de destaque.

• Aprendizado de máquina automatizado (AutoML)
• Catálogo de IA do DataRobot
• Conectividade JDBC para extração de dados SQL
• Implantação e monitoramento de modelos
• Ferramentas de colaboração e governança

Casos de uso reais para integração SQL do DataRobot

Exemplos de casos de uso

Aqui estão várias aplicações reais que demonstram o poder da integração SQL da DataRobot:

• Manutenção preditiva: extraia dados de sensores de bancos de dados de equipamentos industriais usando SQL. Os modelos do DataRobot podem então prever as necessidades de manutenção, reduzindo o tempo de inatividade e aumentando a eficiência operacional.
• Detecção de fraudes: consultas SQL extraem dados de transações de bancos de dados financeiros, permitindo que o DataRobot identifique atividades fraudulentas em tempo real e evite perdas financeiras.
• Marketing personalizado: a extração baseada em SQL de bancos de dados de clientes permite que o DataRobot personalize campanhas de marketing, melhorando o envolvimento do cliente e as taxas de conversão.
• Avaliação de riscos: em serviços financeiros, o SQL extrai histórico de crédito e dados de mercado, permitindo que o DataRobot realize avaliações precisas de risco de empréstimos.
• Otimização da cadeia de suprimentos: a extração de dados de bancos de dados da cadeia de suprimentos permite que o DataRobot otimize a logística, gerencie o estoque e preveja possíveis interrupções.

Esses exemplos ilustram como o DataRobot, combinado com o SQL, pode ser aplicado em todos os setores para melhorar a tomada de decisões e o desempenho operacional.

Perguntas frequentes

A que tipos de bancos de dados o DataRobot pode se conectar usando JDBC?

O DataRobot oferece suporte a uma ampla variedade de bancos de dados via JDBC, incluindo MySQL, PostgreSQL, Oracle, SQL Server, SAP Hana e Snowflake.

Posso usar procedimentos armazenados com a integração SQL do DataRobot?

Sim, você pode incorporar procedimentos armazenados em consultas SQL executadas no DataRobot para manipulação e recuperação de dados.

Quais são as limitações do uso de SQL com o DataRobot?

Atualmente, o DataRobot não oferece suporte a operações OUTER JOIN em consultas SQL. Além disso, extrair conjuntos de dados muito grandes por meio de SQL pode afetar o desempenho, exigindo otimização da consulta.

Como posso garantir a segurança dos dados ao conectar-me a bancos de dados com o DataRobot?

O DataRobot oferece suporte a conexões criptografadas (SSL) e gerenciamento seguro de credenciais para garantir que o acesso aos dados esteja em conformidade com as políticas e regulamentos de segurança.

Perguntas relacionadas

Quais são os principais benefícios do aprendizado de máquina automatizado (AutoML)?

O aprendizado de máquina automatizado (AutoML) oferece vários benefícios significativos que aceleram o desenvolvimento da IA: Maior eficiência: o AutoML automatiza tarefas manuais, como engenharia de recursos, seleção de modelos e ajuste de hiperparâmetros. IA democratizada: torna a IA mais acessível a usuários com experiência limitada em codificação, permitindo que analistas de negócios gerem modelos. Tempo de retorno mais rápido: o AutoML acelera o ciclo de desenvolvimento do modelo, permitindo iteração e implantação rápidas — um fator essencial para manter uma vantagem competitiva. Melhor desempenho do modelo: ao automatizar o ajuste de hiperparâmetros e o ensamblagem, o AutoML geralmente produz resultados superiores em comparação com modelos ajustados manualmente. Ele avalia e combina vários modelos para encontrar a configuração ideal para um conjunto de dados específico. Escalabilidade: o AutoML ajuda as organizações a dimensionar suas iniciativas de IA com eficiência, permitindo que os cientistas de dados lidem com um volume maior de projetos e modelos, o que é especialmente útil para empresas com fontes de dados diversas e necessidades analíticas complexas.