DataRobot AI Catalog通过SQL数据提取实现模型开发

通过DataRobot的AI目录释放数据潜能！本指南将深入探讨JDBC如何实现无缝SQL数据提取。学习在DataRobot中精通SQL语句，为AI模型生成和预测分析提供强大支持。这套全面的操作指南将展示DataRobot为AI开发提供的简易操作与强大功能。

关键要点

通过JDBC进行SQL数据提取，可高效完成数据向DataRobot的加载。

SQL语句支持在DataRobot环境中进行模型生成与预测分析。

DataRobot AI Catalog支持动态数据快照及SQL查询功能。

DataRobot作为强大的AI创建工具，提供多种数据访问方式。

理解DataRobot与SQL集成

什么是DataRobot？

DataRobot 是一款专为赋能企业构建和部署人工智能解决方案而设计的 AI 平台。它提供自动化机器学习（AutoML）能力，使用户无需大量编程即可开发预测模型。借助 DataRobot，组织能够简化整个 AI 生命周期——从数据准备到模型部署和监控。该平台支持多种数据连接方式，以促进数据科学工作流。

SQL与JDBC在数据提取中的作用

结构化查询语言（SQL）是管理关系型数据库及检索数据的基础语言。DataRobot通过Java数据库连接（JDBC）实现SQL功能，支持连接各类数据库并通过SQL查询提取数据。JDBC作为桥梁，将SQL请求转换为数据库系统可识别的指令。这种强大的集成使DataRobot能够访问并处理企业级数据。

演讲者提及DataRobot 9.0版本已优化其API。本指南中的代码示例将基于此更新版本。

在DataRobot中使用SQL的优势

将SQL与DataRobot集成具有以下关键优势：

• 精准数据筛选：SQL查询能精准定位模型训练所需数据，提升模型准确性与效率。
• 数据转换：SQL可在导入DataRobot前完成数据清洗、聚合与转换。
• 动态数据更新：JDBC使DataRobot能保持与数据库的实时连接，使模型能够利用最新信息适应变化的数据模式。
• 强化数据治理：基于SQL的数据提取确保访问过程符合既定安全与治理政策。

通过运用SQL，数据科学家能够有效运用现有技能，在DataRobot中提取并准备用于AI模型开发的数据。

将SQL数据提取至DataRobot的分步指南

连接数据库

第一步是在 DataRobot 与目标数据库之间建立连接。

1. 访问 AI 目录：在 DataRobot 界面中导航至 AI 目录。

   

2. 添加新数据连接：选择添加新数据源的选项。演示者以现有SAP Hana数据库和Snowflake连接为例进行说明。

3. 配置连接：输入必要的连接信息，包括数据库类型、服务器地址、端口、用户名和密码。

4. 测试连接：验证连接是否有效，确保DataRobot能与数据库成功通信。

建立连接后即可进行数据提取。

使用SQL查询进行数据提取

建立数据库连接后，可通过SQL查询指定提取数据。

1. 选择数据连接。选择现有连接，将打开数据连接弹出窗口。
2. 选择 SQL 查询选项

   ：选择使用SQL查询进行数据提取。

3. 编写SQL查询：在编辑器中输入查询语句，选择与AI项目相关的列和行。您还可执行ORDER BY等基础操作。
4. 执行查询：运行SQL查询以验证是否获取正确数据。DataRobot将验证查询并显示结果预览，如下所示的SELECT语句示例。

示例SQL语句包括：

• 仅选择基准列
• 使用ORDER BY从表中随机抽取数据

重要注意事项：请确保查询中未使用OUTER JOIN。

| 提示| 说明|| :--------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- || **避免使用OUTER JOIN**| 当前DataRobot的AI Catalog不支持包含OUTER JOIN的SQL查询。请使用标准的JOIN操作以实现最佳数据提取效果。 || **验证SQL查询语句**| 确保SQL语法正确且返回预期结果。 请仔细核对列名、表名及所有筛选条件。|| **理解数据源**| 熟悉底层数据库表的结构及其相互关系。 这将有助于编写高效精准的SQL查询。 || **创建动态查询**| 可构建根据数据条件变化自动适配的动态SQL查询，使AI模型更灵活应对实际场景。|| **考量数据量**| 注意提取数据的规模。 大型数据集可能延长处理时间并影响DataRobot性能。请优化SQL查询以仅获取必要数据。|| **确保凭证已加载** |请确认数据存储库中已存入数据库连接凭证以便随时调用。|

在DataRobot中导入与预处理数据

验证SQL查询后，将提取数据导入DataRobot。

1. 注册数据：注册SQL查询及凭据以供使用，请确保选择正确选项。

   

2. 提供数据集摘要：帮助用户理解数据集内容与用途。

3. 创建项目：在DataRobot中导入SQL数据后，启动新项目。

4. 设定项目目标：选择目标变量（即需要预测的变量）。DataRobot将自动分析数据并推荐合适的建模策略。

5. 运行自动驾驶模式：启动DataRobot的自动驾驶功能。该自动化流程将构建并评估大量机器学习模型，为您的数据集甄选最佳方案。

6. 部署最佳模型：DataRobot处理数据并在排行榜中排序模型，顶级选择标记为"推荐部署"。点击标题即可部署并使用您的数据进行测试。

DataRobot通过AI目录实现数据提取自动化，该目录直接调用底层数据源。

DataRobot中运用高级SQL实现实时预测

通过动态数据实现实时预测

除批量模型训练外，SQL集成还支持DataRobot的实时预测功能。通过配置实时JDBC连接，模型可直接从数据库获取最新信息，确保预测始终基于实时数据。具体流程包括：

• 通过SQL JDBC查询加载数据
• 支持模型基于该数据生成评估结果
• 交付精准的AI驱动型解决方案。

了解DataRobot定价体系

DataRobot定价概览

DataRobot提供多种定价方案，可满足不同业务需求和使用规模。定价通常取决于用户数量、部署规模以及所需支持与服务级别等因素。由于具体价格会根据客户需求而异，请通过官网直接联系DataRobot获取精准的最新报价，以确定该平台是否适合您的需求。

DataRobot与SQL数据提取：优劣分析

优势

SQL数据提取强化数据治理与安全性。

JDBC连接支持动态数据更新下的实时预测。

SQL简化数据筛选与转换任务。

自动化机器学习加速模型开发。

缺点

外部连接语句与DataRobot AI目录不兼容。

凭证管理可能较为复杂。

定价结构可能对部分用户构成挑战。

该平台可能存在较高的初始学习曲线。

DataRobot 的主要功能

DataRobot 功能

DataRobot 是一个综合性平台，具有多项突出功能。

• 自动化机器学习（AutoML）
• DataRobot AI 目录
• 用于 SQL 数据提取的 JDBC 连接
• 模型部署与监控
• 协作与治理工具

DataRobot SQL集成的实际应用案例

应用案例示例

以下是展示DataRobot SQL集成强大功能的若干实际应用场景：

• 预测性维护：通过SQL从工业设备数据库提取传感器数据。DataRobot模型可据此预测维护需求，减少停机时间并提升运营效率。
• 欺诈检测：通过SQL查询从金融数据库提取交易数据，使DataRobot能够实时识别欺诈行为并防止财务损失。
• 个性化营销：基于SQL从客户数据库提取数据，使DataRobot能够定制营销活动，提升客户参与度和转化率。
• 风险评估：在金融服务领域，SQL提取信用记录与市场数据，助力DataRobot精准评估贷款风险。
• 供应链优化：从供应链数据库提取数据，使DataRobot能够优化物流、管理库存并预测潜在中断。

这些案例说明了DataRobot与SQL结合后，如何在各行业应用以改善决策和运营绩效。

常见问题

DataRobot 可通过 JDBC 连接哪些类型的数据库？

DataRobot 通过 JDBC 支持多种数据库，包括 MySQL、PostgreSQL、Oracle、SQL Server、SAP Hana 和 Snowflake。

能否在 DataRobot 的 SQL 集成中使用存储过程？

可以，您可以在 DataRobot 中执行的 SQL 查询中使用存储过程来操作和检索数据。

使用 SQL 时 DataRobot 存在哪些限制？

目前，DataRobot 不支持 SQL 查询中的 OUTER JOIN 操作。此外，通过 SQL 提取超大数据集可能影响性能，需要进行查询优化。

如何确保通过DataRobot连接数据库时的数据安全？

DataRobot支持加密连接（SSL）及安全凭证管理，确保数据访问符合安全政策与法规要求。

相关问题

自动化机器学习（AutoML）的核心优势是什么？

自动化机器学习（AutoML）提供多项显著优势，可加速AI开发进程：提升效率：AutoML自动化处理特征工程、模型选择和超参数调优等手动任务。普及AI应用：使编程经验有限的用户也能轻松使用AI，让业务分析师能够创建模型。加速价值实现：AutoML缩短模型开发周期，支持快速迭代与部署——这是保持竞争优势的关键因素。 模型性能优化：通过自动化超参数调优与集成技术，AutoML常能产出优于人工调优模型的结果。它通过评估并组合多种模型，为特定数据集寻找最优配置。可扩展性：AutoML助力企业高效扩展AI项目，使数据科学家能处理更高容量的项目与模型，这对拥有多元数据源和复杂分析需求的企业尤为重要。