Comment Nova AI apprend automatiquement le schéma de votre base de données

Voir tout ce que les Query Streams peuvent faire au-delà de ce guide Commencer gratuitement

Soutien

+Plus d'informations

Données en direct

Remplacer les exportations par du SQL à la demande

Excel Feuilles

BI & AI Analytics

Demandez à Nova, obtenez SQL + des graphiques

Rencontre avec Nova

API REST de base de données

Une clé par partenaire. Aucun identifiant partagé.

Créer une API

+Plus d'informations

Automatisation

Synchronisation programmée sur plus de 6 plateformes

Explorer

+Plus d'informations

API à SQL

Interroger les API avec SQL, sans code

Explorer

+Plus d'informations

Base de données IA MCP

Claude, Cursor, ChatGPT et Grok interagissent avec vos données.

Connecter l'IA

Query Streams est une plateforme d'intégration de bases de données sécurisée et en temps réel dont le moteur d'IA, Nova, apprend automatiquement le schéma de votre base de données avant de générer une seule requête SQL. Pour en savoir plus, rendez-vous sur QueryStreams.com. et Inscrivez-vous gratuitement pour commencer à poser vos questions sur votre base de données en langage clair.

L'intelligence sémantique est une intelligence artificielle construite couche sémantique Pour votre base de données : Nova cartographie vos tables, colonnes et relations une seule fois, puis répond à toutes les questions à partir de cette cartographie.

Pourquoi la compréhension des schémas est importante pour l'IA et SQL

La génération de requêtes SQL par l'IA présente un problème fondamental que la plupart des plateformes ignorent : l'IA ne connaît pas votre base de données. Les chatbots génériques peuvent écrire des requêtes SQL syntaxiquement correctes, mais ils n'ont aucune connaissance des noms de vos tables, des types de colonnes, des valeurs de vos données ni des relations entre elles. Demandez-leur d'interroger vos données de vente et ils inventeront des noms de colonnes plausibles, comme… ventes_totales ou nom_client Il se peut que cette colonne n'existe pas dans votre schéma. La requête semble correcte et compile sans problème. Elle renvoie soit une erreur, soit, pire encore, des résultats erronés provenant d'une autre colonne qui correspond pourtant par hasard.

Il s'agit du problème d'hallucination appliqué à l'analyse des schémas de bases de données. Le problème ne réside pas dans la capacité de l'IA à écrire de la syntaxe SQL. Les modèles de langage modernes sont compétents pour écrire du SQL. Le problème réside dans la connaissance quoi Pour écrire des requêtes SQL, il est essentiel de connaître les tables existantes, leurs colonnes, leurs relations, les valeurs des colonnes de filtre et le dialecte SQL attendu par la base de données cible. Sans ces informations, même le générateur de requêtes IA le plus sophistiqué ne peut que deviner. L'intelligence sémantique permet à Nova d'éliminer complètement cette approximation, en créant un assistant SQL IA qui s'appuie sur des connaissances vérifiées plutôt que sur des inférences probabilistes.

Le pipeline d'intelligence sémantique en 5 phases

L'apprentissage automatique du schéma de Nova exécute un pipeline structuré en 5 phases dès la connexion d'une source de données. Chaque phase s'appuie sur la précédente, approfondissant progressivement la compréhension de la structure de votre base de données par l'IA. Le pipeline traite jusqu'à 10 tables simultanément pour une rapidité optimale, prend en charge 9 dialectes SQL et stocke toutes les connaissances acquises de manière permanente. Ainsi, l'analyse n'a besoin d'être exécutée qu'une seule fois par base de données, sauf en cas de modification du schéma.

Phase 1 : Capture du catalogue de schémas

La première phase se connecte à votre base de données via le Agent de flux de requêtes L'agent analyse le catalogue de schémas. Cette analyse capture chaque nom de table, nom de colonne, type de données, définition d'index, contrainte de clé étrangère, nombre de lignes et commentaire du développeur pour tous les schémas accessibles. L'agent s'exécute sur votre réseau et établit une connexion sortante sécurisée ; aucun port entrant, tunnel VPN ou modification du pare-feu n'est donc requis. La capture du catalogue de schémas est rapide car elle porte sur les métadonnées et non sur les données. Une base de données de 200 tables effectue généralement cette étape en moins de 3 secondes. Le résultat est une cartographie structurelle complète que Nova utilise comme base pour chaque étape suivante et chaque requête SQL générée.

Phase 2 : Échantillonnage des données

Une fois que Nova connaît les tables et les colonnes existantes, il doit comprendre les valeurs qu'elles contiennent. La phase 2 envoie une seule requête. Tableau de profil pour l'IA Appel par table via l'agent Query Streams. Cette opération de profilage spécialisée remplace ce qui nécessiterait autrement 11 à 28 requêtes distinctes par table : échantillonnage des valeurs distinctes, détection des distributions de valeurs, identification des taux de valeurs NULL, découverte des modèles d'énumération et mesure de la cardinalité, le tout en un seul aller-retour réseau. L'échantillonnage des données permet à Nova de savoir que votre État cette colonne utilise des abréviations à deux lettres comme « CA » au lieu de « California », ou que votre statut Le champ contient « actif »/« inactif » plutôt que 0/1. Cela évite le type de problème le plus frustrant. texte vers SQL Erreurs : requêtes structurellement correctes mais filtrant sur des valeurs qui n’existent pas dans vos données.

Phase 3 : Découverte implicite des clés étrangères

De nombreuses bases de données de production présentent des relations entre les tables qui ne sont pas déclarées comme des contraintes de clé étrangère formelles. clients.id colonne et une commandes.identifiant_client Les colonnes sont clairement liées entre elles, mais en l'absence de contrainte de clé étrangère dans le schéma, une simple lecture du catalogue ne permettra pas de détecter cette connexion. La phase 3 résout ce problème en analysant les noms de colonnes, les types de données et les chevauchements de valeurs afin d'identifier les relations implicites entre les tables. Cette détection implicite des clés étrangères est essentielle pour les requêtes complexes en langage naturel nécessitant des jointures multi-tables. Sans elle, Nova ne pourrait joindre que les tables avec des clés étrangères déclarées, ce qui, dans de nombreuses bases de données réelles, ne couvre même pas la moitié des relations. En cartographiant les relations déclarées et implicites, Nova peut retracer les chemins de jointure à travers l'ensemble du schéma et générer des requêtes multi-tables précises à partir de questions telles que « afficher les commandes avec les noms des clients et les détails des produits ».

Phase 4 : Enrichissement LLM

La phase 4 transmet les données structurelles et de profilage à l'IA pour l'enrichissement sémantique. Le LLM génère des descriptions lisibles par l'humain pour chaque table et colonne, et classe les types sémantiques (en identifiant que créé_à est un horodatage de création, courriel est un champ de contact, référence Nova détecte les colonnes de type énumération (où un ensemble fini de valeurs se répète sur plusieurs lignes) et associe les tables à des domaines métiers tels que les ventes, les stocks, les RH ou la finance. Cet enrichissement transforme les métadonnées techniques brutes en connaissances contextuelles. Lorsque vous demandez « afficher les salaires des employés par département », Nova ne se contente pas d'associer le mot « employé » à un nom de table. Il comprend quelles tables appartiennent au domaine RH, quelles colonnes représentent les données de rémunération et quelle colonne sert à regrouper les employés par département. La classification sémantique est ce qui distingue un outil de correspondance de mots-clés d'un assistant SQL IA capable de comprendre véritablement votre modèle de données.

Phase 5 : Traitement des résultats

La phase finale stocke toutes les connaissances acquises et calcule les indicateurs de couverture. Nova suit l'avancement de l'analyse à trois niveaux : par base de données (nombre de tables profilées), par table (nombre de colonnes enrichies) et par colonne (classification des types et profilage des valeurs). Le traitement des résultats inclut également le suivi des contributeurs. Chaque élément de connaissance est étiqueté comme généré par l'IA ou issu d'une contribution humaine. Les membres de l'équipe peuvent enrichir l'apprentissage de l'IA grâce à une interface de formation conversationnelle : Nova génère des questions ciblées sur les colonnes ou tables ambiguës, auxquelles les humains répondent en langage naturel. Cette approche collaborative allie la rapidité de l'IA à l'expertise humaine du domaine, et l'étiquetage des contributeurs garantit la traçabilité de chaque annotation.

En quoi l'intelligence sémantique rend Nova différent

La différence entre Nova et les chatbots d'IA génériques réside dans l'opposition entre connaissances vérifiées et suppositions probabilistes. Lorsqu'une IA généraliste écrit du SQL pour votre base de données, elle construit des requêtes basées sur des modèles statistiques issus de ses données d'entraînement. Elle peut faire des suppositions. utilisateurs quand votre table est réellement utilisateurs de l'application, ou supposer prix lorsque votre colonne est coût unitaireCes suppositions restent invisibles à l'utilisateur jusqu'à ce que la requête échoue ou renvoie des résultats incorrects.

Nova élimine complètement les conjectures. Chaque table, colonne, relation et modèle de données référencé dans une requête générée provient de la base de connaissances d'intelligence sémantique et est vérifié par rapport à votre base de données réelle. Nova impose également une convention de nommage qualifiée par schéma (en utilisant schéma.table format comme clients publics) et transmet chaque requête générée à travers SQLGlot Validation syntaxique avant exécution. Si une colonne référencée ne correspond pas à un seuil de similarité de 60 % (via Rapidfuzz), Nova la signale et la corrige automatiquement ou demande des précisions. Nova devient ainsi non seulement un lecteur de schémas de bases de données par IA, mais aussi un filtre de qualité SQL qui détecte les erreurs avant qu'elles n'affectent vos données.

L'interface d'intelligence sémantique

L'interface d'intelligence sémantique, accessible à l'adresse /nova/intelligence Le portail Query Streams offre un tableau de bord visuel des informations que Nova possède sur chaque base de données connectée. Vous pouvez y consulter l'état d'analyse de chaque table, les pourcentages de couverture des colonnes et des relations, ainsi que la source de chaque annotation (générée par l'IA ou par un humain). Des boutons d'analyse par entité vous permettent de lancer ou de relancer l'analyse de tables ou de colonnes spécifiques à la demande.

Quatre modes d'apprentissage vous permettent de contrôler le fonctionnement de l'intelligence sémantique pour chaque base de données. Auto Le pipeline complet en 5 phases s'exécute automatiquement lorsqu'une nouvelle source de données est connectée. assisté vous avertit avant de lancer l'analyse et vous demande une confirmation. Manuel permet de déclencher une analyse sur des tables individuelles à l'aide de boutons par entité. Désactivé Nova désactive complètement l'intelligence sémantique pour les bases de données où vous préférez écrire le SQL manuellement. L'interface d'apprentissage allie l'expertise humaine au dynamisme de l'IA : Nova génère des questions ciblées sur les lacunes de sa compréhension, auxquelles les membres de l'équipe répondent de manière conversationnelle. Chaque réponse est enregistrée comme une contribution humaine qui enrichit l'analyse automatisée, ce qui est particulièrement précieux pour les bases de données aux conventions de nommage complexes ou les schémas hérités où les noms de colonnes n'indiquent pas clairement leur fonction.

Vous ne connaissez pas SQL ? Nova AI construit la requête pour vous.

Essayez Nova

1

Décrivez ce qui
les données dont vous avez besoin

Nova lit le schéma
et construit le SQL

Sauvegarder et fuir
Excel ou Sheets

Aidez-moi à créer une requête pour le chiffre d'affaires du mois dernier par produit — j'en ai besoin pour mon rapport de ventes hebdomadaire.

Trouvé articles_commandés et produits dans votre schéma. Voici votre requête : exécutez-la pour la prévisualiser, puis enregistrez-la dans votre bibliothèque et partagez-la avec votre équipe.

SQL Résultats

Copie Exécuter Économiser

SELECTIONNER
    p.nom_du_produit,
    SOMME(oi.quantité * oi.prix_unitaire) AS recettes
DE   public.order_items oi
JOINDRE   produits publics p ON oi.product_id = p.id
OÙ  oi.created_at >= DATE_TRUNC('mois', MAINTENANT() - INTERVALLE '1 mois')
GROUPE PAR p.nom_du_produit
ORDER BY recettes DESC

Qui bénéficie de l'apprentissage automatique des schémas ?

L'intelligence sémantique ne se limite pas à un seul rôle. Toute équipe travaillant avec des bases de données bénéficie d'une IA qui comprend le modèle de données avant de générer des requêtes. Voici comment différents rôles profitent de l'analyse automatique du schéma de base de données.

Questions fréquemment posées

Commencer

Guides associés : Convertir du texte en SQL avec Nova AI | Toutes les fonctionnalités | Bases de données dans Microsoft Excel | Bases de données dans Google Sheets | Connecteur API

Catégorie : Nova AI

Mots-clés : Nova AI, intelligence sémantique, schéma de base de données, analyse IA, conversion de texte en SQL, apprentissage automatique, automatisation de bases de données

Description : Nova AI apprend automatiquement le schéma de votre base de données. Un SQL optimisé dès le premier jour. Essai gratuit.

Biographie de l'auteur :
L'équipe Query Streams est composée d'experts chevronnés en bases de données, de professionnels de la sécurité réseau et de vétérans des réseaux d'entreprise qui cumulent plus de 25 ans d'expérience dans la gestion des données, l'analyse et le développement de logiciels sécurisés.