mindsdb

Autre code source

v24.11.4.0

Télécharger

Site Web · Documents · Communauté Slack

MindsDB est la plateforme la plus utilisée au monde pour créer une IA capable d'apprendre et de répondre aux questions sur les données fédérées.

À propos de nous

MindsDB est un moteur de requêtes fédérées conçu pour les agents et applications d'IA qui doivent répondre à des questions provenant d'une ou de plusieurs sources de données, y compris des données structurées et non structurées.

Commencer

Installez MindsDB à l'aide de Docker ou Docker Desktop.
Connectez vos données — Connectez-vous et interrogez des centaines de sources de données différentes.
Préparez vos données — Préparez, organisez et automatisez les transformations de données à l'aide de l'IA et du ML pour répondre à vos besoins.

Cas d'utilisation

Après avoir connecté et préparé vos données, vous pouvez exploiter MindsDB pour mettre en œuvre les cas d'utilisation suivants :

Cas d'utilisation	Description	SDK Python	SQL
CHIFFON	RAG complet pouvant être alimenté à partir de nombreuses sources de données	(Python)	(SQL)
Agents	Équipez les agents pour répondre aux questions sur les données structurées et non structurées dans MindsDB	(Python)	(SQL)
Automation	Automatisez les flux de travail de données IA à l'aide de Jobs	(Python)	(SQL)

Exemple

Connecter les agents IA aux données structurées et non structurées

Un cas d'utilisation courant consiste à connecter des agents aux données. L'exemple suivant montre comment connecter un agent AI à une base de données afin qu'il puisse effectuer une recherche sur des données structurées :

Nous connectons d'abord la source de données, dans ce cas nous connectons une base de données postgres (vous pouvez le faire via l'éditeur SQL ou le SDK)

 -- Step 1: Connect a data source to MindsDB
CREATE DATABASE demo_postgres_db
WITH ENGINE = " postgres " ,
PARAMETERS = {
    " user " : " demo_user " ,
    " password " : " demo_password " ,
    " host " : " samples.mindsdb.com " ,
    " port " : " 5432 " ,
    " database " : " demo " ,
    " schema " : " demo_data "
};

-- See some of the data in there
SELECT * FROM demo_postgres_db . car_sales ;

Vous pouvez désormais créer un agent capable de répondre aux questions sur les informations non structurées de cette base de données (utilisons le SDK Python).

 import mindsdb_sdk

# connects to the default port (47334) on localhost 
server = mindsdb_sdk . connect ()

# create an agent (lets create one that can answer questions over car_sales table
agent = server . agents . create ( 'my_agent' )
agent . add_database (
    database = 'demo_postgres_db' ,
    tables = [ 'car_sales' ], # alternatively, all tables will be taken into account if none specified []
    description = 'The table "car_sales" contains car sales data' )

# send questions to the agent
agent = agents . get ( 'my_agent' )
answer = agent . completion ([{ 'question' : 'What cars do we have with normal transmission and gas?' }])
print ( answer . content )

Vous ajoutez plus de données à l'agent, ajoutons quelques données non structurées :

 agent . add_file ( './cars_info.pdf' , 'Details about the cars' )
answer = agent . completion ([{ 'question' : 'What cars do we have with normal transmission and gas? also include valuable info for a buyer of these cars?' }])
print ( answer . content )