Каталог DataRobot AI позволяет разрабатывать модели с помощью извлечения данных SQL

Раскройте потенциал ваших данных с помощью каталога AI DataRobot! В этом руководстве рассказывается, как JDBC облегчает беспрепятственную экстракцию данных SQL. Научитесь использовать SQL-операторы в DataRobot для создания моделей искусственного интеллекта и прогнозной аналитики. Это подробное руководство демонстрирует простоту и мощные возможности DataRobot для разработки искусственного интеллекта.

Ключевые моменты

Использование JDBC для извлечения данных SQL упрощает загрузку данных в DataRobot.

SQL-операторы поддерживают создание моделей и прогнозирование в среде DataRobot.

Каталог DataRobot AI Catalog позволяет создавать динамические снимки данных и использовать SQL-запросы.

DataRobot — это мощный инструмент для создания ИИ, который предлагает несколько методов доступа к данным.

Понимание интеграции DataRobot и SQL

Что такое DataRobot?

DataRobot — это платформа искусственного интеллекта, разработанная для помощи предприятиям в создании и внедрении решений искусственного интеллекта. Она предоставляет возможности автоматического машинного обучения (AutoML), позволяя пользователям разрабатывать прогнозные модели без обширного программирования. С помощью DataRobot организации могут оптимизировать весь жизненный цикл искусственного интеллекта — от подготовки данных до развертывания и мониторинга моделей. Платформа поддерживает различные методы подключения к данным для облегчения рабочих процессов в области науки о данных.

Роль SQL и JDBC в извлечении данных

Язык структурированных запросов (SQL) — это базовый язык для управления и извлечения данных из реляционных баз данных. DataRobot использует SQL через Java Database Connectivity (JDBC), что позволяет подключаться к различным базам данных и извлекать данные с помощью SQL-запросов. JDBC служит мостом, преобразуя SQL-запросы в команды, понятные системе базы данных. Эта мощная интеграция позволяет DataRobot получать доступ к данным по всему предприятию и обрабатывать их.

Докладчик ссылается на версию DataRobot 9.0, в которой были оптимизированы API. Примеры кода в этом руководстве будут отражать эту обновленную версию.

Преимущества использования SQL с DataRobot

Интеграция SQL с DataRobot дает несколько ключевых преимуществ:

• Точный выбор данных: запросы SQL позволяют пользователям точно определять данные, необходимые для обучения модели, повышая точность и эффективность модели.
• Преобразование данных: SQL облегчает очистку, агрегирование и преобразование данных перед их импортом в DataRobot.
• Динамическое обновление данных: JDBC позволяет DataRobot поддерживать активные подключения к базам данных, благодаря чему модели могут адаптироваться к изменяющимся данным, используя самую свежую информацию.
• Улучшенное управление данными: извлечение на основе SQL гарантирует, что доступ к данным соответствует установленным политикам безопасности и управления.

Используя SQL, специалисты по данным могут эффективно применять свои навыки для извлечения и подготовки данных для разработки моделей искусственного интеллекта в DataRobot.

Пошаговое руководство по извлечению данных SQL в DataRobot

Подключение к базе данных

Первый шаг — установить соединение между DataRobot и целевой базой данных.

1. Доступ к каталогу ИИ: перейдите в каталог ИИ в интерфейсе DataRobot.

   

2. Добавление нового подключения к данным: выберите опцию добавления нового источника данных. В качестве примера докладчик использует существующие подключения к базе данных SAP Hana и Snowflake.

3. Настройте соединение: введите необходимые данные соединения, включая тип базы данных, адрес сервера, порт, имя пользователя и пароль.

4. Проверьте соединение: проверьте соединение, чтобы убедиться, что DataRobot может успешно обмениваться данными с базой данных.

После установления подключения можно приступить к извлечению данных.

Использование SQL-запросов для извлечения данных

После установления подключения к базе данных вы можете использовать SQL-запросы для указания данных, которые необходимо извлечь.

1. Выберите подключение к данным. Выберите существующее подключение, после чего откроется всплывающее окно «Подключение к данным».
2. Выберите опцию «SQL-запрос»

   : выберите использование SQL-запроса для извлечения данных.

3. Напишите свой SQL-запрос: введите запрос в предоставленном редакторе, выбрав столбцы и строки, относящиеся к вашему проекту ИИ. Вы также можете выполнять основные операции, такие как оператор ORDER BY.
4. Выполните запрос: запустите SQL-запрос, чтобы убедиться, что он извлекает правильные данные. DataRobot проверит запрос и отобразит предварительный просмотр результатов, как показано на примере оператора SELECT.

Примеры операторов SQL:

• Выбор только базовых столбцов
• Использование ORDER BY для случайной выборки данных из таблицы

Важные замечания: убедитесь, что ваш запрос не использует OUTER JOIN.

| Совет| Описание|| :--------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- || **Избегайте OUTER JOIN**| В настоящее время AI Catalog от DataRobot не поддерживает SQL-запросы с OUTER JOIN. Для оптимального извлечения данных придерживайтесь стандартных операций JOIN. || **Проверьте свой SQL-запрос**| Убедитесь, что ваш SQL-запрос синтаксически правильный и возвращает ожидаемые результаты. Дважды проверьте имена столбцов, имена таблиц и любые условия фильтрации.|| **Поймите источник данных**| Ознакомьтесь со структурой базовых таблиц базы данных и взаимосвязями между ними. Это поможет вам писать эффективные и точные SQL-запросы. || **Создавайте динамические запросы**| Вы можете создавать динамические SQL-запросы, которые адаптируются к изменяющимся условиям данных, делая ваши модели искусственного интеллекта более отзывчивыми к реальным сценариям.|| **Учитывайте объем данных**| Учитывайте объем извлекаемых данных. Обработка больших наборов данных может занимать больше времени и влиять на производительность DataRobot. Оптимизируйте свои SQL-запросы, чтобы извлекать только необходимые данные. || **Убедитесь, что учетные данные загружены** |Убедитесь, что у вас есть учетные данные для подключения к базе данных в хранилище данных, чтобы облегчить использование.|

Импорт и подготовка данных в DataRobot

После проверки вашего SQL-запроса импортируйте извлеченные данные в DataRobot.

1. Зарегистрируйте данные: зарегистрируйте свой SQL-запрос и учетные данные для использования, убедившись, что вы выбрали соответствующий вариант.

   

2. Предоставьте сводку набора данных. Это поможет пользователям понять содержание и назначение набора данных.

3. Создайте проект: с помощью данных SQL в DataRobot запустите новый проект.

4. Установите цели проекта: выберите целевую переменную (переменную, которую вы хотите предсказать). DataRobot автоматически проанализирует данные и порекомендует подходящие стратегии моделирования.

5. Запустите Autopilot: запустите функцию Autopilot DataRobot. Этот автоматизированный процесс создает и оценивает множество моделей машинного обучения, чтобы определить наиболее эффективные для вашего набора данных.

6. Разверните лучшую модель: DataRobot обрабатывает данные и ранжирует модели в таблице лидеров, при этом лучший вариант помечается как «Рекомендуется для развертывания». Нажмите на заголовок, разверните и протестируйте с вашими данными.

DataRobot оптимизирует извлечение данных, позволяя работать через каталог AI, который напрямую использует базовый источник данных.

Расширенное использование SQL для прогнозирования в реальном времени в DataRobot

Возможность прогнозирования в реальном времени с помощью динамических данных

Помимо пакетного обучения моделей, интеграция SQL позволяет осуществлять прогнозы в реальном времени в DataRobot. Настроив активное соединение JDBC, модели могут получать доступ к самой актуальной информации непосредственно из базы данных, что гарантирует, что прогнозы всегда основаны на свежих данных. Процесс включает в себя:

• Загрузку данных с помощью запроса SQL JDBC.
• Возможность для моделей генерировать оценки на основе этих данных.
• Предоставление точных реализаций на базе искусственного интеллекта.

Понимание ценообразования DataRobot

Обзор цен DataRobot

DataRobot предлагает различные тарифные планы, адаптированные к разным бизнес-потребностям и масштабам использования. Цены обычно зависят от таких факторов, как количество пользователей, масштаб развертывания и требуемый уровень поддержки и услуг. Для получения точной и актуальной информации о ценах, которые могут варьироваться в зависимости от конкретных требований клиентов, свяжитесь с DataRobot напрямую через их веб-сайт, чтобы определить, подходит ли вам эта платформа.

DataRobot и извлечение данных SQL: плюсы и минусы

Плюсы

Извлечение данных SQL усиливает управление данными и безопасность.

Подключение JDBC поддерживает прогнозы в реальном времени с динамическим обновлением данных.

SQL упрощает задачи выбора и преобразования данных.

Автоматическое машинное обучение ускоряет разработку моделей.

Недостатки

Операторы OUTER JOIN несовместимы с каталогом DataRobot AI.

Управление учетными данными может быть сложным.

Структура ценообразования может представлять сложность для некоторых пользователей.

Платформа может иметь крутой начальный кривой обучения.

Ключевые особенности DataRobot

Особенности DataRobot

DataRobot — это комплексная платформа с несколькими выдающимися функциями.

• Автоматическое машинное обучение (AutoML)
• Каталог DataRobot AI
• Подключение JDBC для извлечения данных SQL
• Развертывание и мониторинг моделей
• Инструменты для совместной работы и управления

Реальные примеры использования интеграции SQL в DataRobot

Примеры использования

Ниже приведены несколько реальных приложений, демонстрирующих возможности интеграции SQL в DataRobot:

• Профилактическое обслуживание: извлечение данных датчиков из баз данных промышленного оборудования с помощью SQL. Затем модели DataRobot могут прогнозировать потребности в обслуживании, сокращая время простоя и повышая операционную эффективность.
• Обнаружение мошенничества: запросы SQL извлекают данные о транзакциях из финансовых баз данных, что позволяет DataRobot выявлять мошеннические действия в режиме реального времени и предотвращать финансовые потери.
• Персонализированный маркетинг: извлечение данных из баз данных клиентов с помощью SQL позволяет DataRobot адаптировать маркетинговые кампании, повышая вовлеченность клиентов и коэффициент конверсии.
• Оценка рисков: в сфере финансовых услуг SQL извлекает кредитную историю и рыночные данные, что позволяет DataRobot проводить точную оценку рисков по кредитам.
• Оптимизация цепочки поставок: извлечение данных из баз данных цепочки поставок позволяет DataRobot оптимизировать логистику, управлять запасами и прогнозировать возможные сбои.

Эти примеры иллюстрируют, как DataRobot в сочетании с SQL может применяться в различных отраслях для улучшения процесса принятия решений и операционной эффективности.

Часто задаваемые вопросы

К каким типам баз данных DataRobot может подключаться с помощью JDBC?

DataRobot поддерживает широкий спектр баз данных через JDBC, включая MySQL, PostgreSQL, Oracle, SQL Server, SAP Hana и Snowflake.

Можно ли использовать хранимые процедуры с интеграцией SQL DataRobot?

Да, вы можете включать хранимые процедуры в SQL-запросы, выполняемые в DataRobot для обработки и извлечения данных.

Каковы ограничения использования SQL с DataRobot?

В настоящее время DataRobot не поддерживает операции OUTER JOIN в SQL-запросах. Кроме того, извлечение очень больших наборов данных с помощью SQL может повлиять на производительность, что потребует оптимизации запросов.

Как обеспечить безопасность данных при подключении к базам данных с помощью DataRobot?

DataRobot поддерживает зашифрованные соединения (SSL) и безопасное управление учетными данными, чтобы обеспечить соответствие доступа к данным политикам и нормам безопасности.

Связанные вопросы

Каковы основные преимущества автоматизированного машинного обучения (AutoML)?

Автоматическое машинное обучение (AutoML) предлагает несколько значительных преимуществ, которые ускоряют развитие ИИ: Повышенная эффективность: AutoML автоматизирует ручные задачи, такие как разработка функций, выбор модели и настройка гиперпараметров. Демократизация ИИ: это делает ИИ более доступным для пользователей с ограниченным опытом программирования, позволяя бизнес-аналитикам создавать модели. Более быстрая окупаемость: AutoML ускоряет цикл разработки модели, позволяя быстро выполнять итерации и развертывание — ключевой фактор для поддержания конкурентного преимущества. Улучшенная производительность модели: благодаря автоматизации настройки гиперпараметров и ансамблирования AutoML часто дает более высокие результаты по сравнению с моделями, настроенными вручную. Оно оценивает и комбинирует различные модели, чтобы найти оптимальную конфигурацию для конкретного набора данных. Масштабируемость: AutoML помогает организациям эффективно масштабировать свои инициативы в области ИИ, позволяя специалистам по данным обрабатывать большее количество проектов и моделей, что особенно полезно для предприятий с разнообразными источниками данных и сложными аналитическими потребностями.