Dialoguez avec vos données. Cessez d'écrire des requêtes, commencez à poser des questions.

Et si n'importe quel collaborateur de votre entreprise pouvait interroger les données de l'entreprise (fiches d'inscription, opérations de facturation, emplois du temps des cours) simplement en posant une question en anglais courant ? Grâce àActian AI Analystet au connecteur JDBC Actian Zen, cet avenir est déjà une réalité en production.

L'IDÉE 

D'une connexion JDBC à l'intelligence conversationnelle

Le moteurde base de données Actian Zenprend depuis longtemps en charge les charges de travail transactionnelles dans les secteurs de l'éducation, de la finance et des entreprises : rapide, Embarqué et accessible via JDBC. Il ne manquait plus qu'une couche de langage naturel capable d'analyser ces données sans nécessiter d'expertise en SQL. 

AI Analyst comble cette lacune. Connectez une seule fois votre source de données Zen JDBC, puis laissez l’agent Steward (le générateur de modèles d’IA) explorer votre schéma et élaborer une couche sémantique automatiquement, et vos utilisateurs pourront commencer à poser des questions immédiatement. Pas d’ETL, pas de migration vers un entrepôt de données, pas de retard à rattraper pour l’équipe chargée des données. 

Voici trois étapes pour commencer : 

SE CONNECTER 

Étape 1. Configurer votre connexion JDBC Zen

Tout commence dans les panneau « Connexions » . Actian AI Analyst accepte une chaîne de connexion JDBC Zen standard, au format déjà utilisé par vos applications existantes. Aucune configuration personnalisée n’est nécessaire.  

# JDBC Connection String (without jdbc:pervasive:// prefix)

host    : ec2-23-432-123-238.us-east-2.compute.amazonaws.com

port    : 1583

database: Demodata

uid     : Master

pwd     : ••••••••

# After saving: click 'Test Connection' to verify

Une fois connecté, AI Analyst peut analyser votre schéma, identifier toutes les tables et élaborer automatiquement des modèles sémantiques qui seront ensuite soumis à votre examen et à vos ajustements. 

 CRÉATION DE MODÈLES 

Étape 2. Laissez Steward créer votre couche sémantique

Steward automatise la création de modèles sémantiques au sein d'Actian AI Analyst. Lorsque vous cliquez sur + Nouveau modèle, vous choisissez votre méthode de création. Steward (recommandé) analyse votre schéma, interprète le contexte métier et élabore un modèle initial — dimensions, mesures, relations et conseils à l'utilisateur — de manière entièrement autonome. 

Lors d'une session réelle avec la base de données Zen Demodata, Steward a reçu une seule instruction : « toutes ces tables ». Il a ensuite exécuté 11 requêtes SQL en parallèle, a exploré la structure de chaque table et a généré une première couche sémantique — le tout au cours d’une seule conversation avec Steward, sans qu’aucun code SQL ne soit écrit par un humain. 

STEWARD AI — RÉSULTATS RÉELS DE LA SÉANCE 

« Excellent choix ! Je vais créer des modèles pour les 11 tables. Je vais commencer par consulter le guide et examiner la structure de chaque table. »

— Steward, après que utilisateur : « toutes ces tables »

LA COUCHE SÉMANTIQUE 

Ce que Steward a créé — de manière automatique

À partir d'une simple connexion JDBC Zen à une base de données de démonstration universitaire, Steward a généré 11 tables entièrement modélisées. Chaque modèle comprend des dimensions, des mesures, des relations inter-modèles et agents IA .  

étudiants → personne, inscriptions → cours → corps enseignant → département—permet à vos analystes IA d'effectuer des analyses inter-modèles en toute transparence, sans aucune configuration manuelle. 

L'ANALYSTE IA 

Étape 3. Configurer et déployer votre Analyst

Une fois les modèles mis en place, vous configurez votre AI Analyst en fonction de utilisateur final visé, vous rédigez des instructions facultatives pour préciser le contexte métier et vous utilisez le panneau de test intégré pour valider les requêtes avant le déploiement. 

• 10 modèles connectés. Définissez de manière sélective les tables auxquelles votre analyste peut accéder. 
• 15 suggestions pour commencer. Des exemples de questions générés automatiquement aident les nouveaux utilisateurs à savoir quoi demander. 
• déploiement en un clic. Partagez via un lien, Embarquer votre portail ou exposez-le via une API. 
• Suivi de l'utilisation. Identifier qui pose quelles questions et où la couche sémantique doit être affinée.

L'IA CONVERSATIONNELLE EN ACTION 

Un langage simple. Des résultats concrets.

Voici ce qui se passe lorsqu'un utilisateur une question : aucune connaissance en SQL ou en outils de BI n'est requise. L'Analyste IA interroge la couche sémantique, identifie le chemin de jointure approprié et renvoie des résultats structurés.  

Exemple 1.requête financière : étudiants présentant un solde impayé

utilisateur : « Affichez la liste des 5 premiers étudiants dont la dette est supérieure à 2 000 $ » 

En coulisses, l'analyste a identifié « billing_transactions » comme source de vérité, puis l’a croisée avec « students » et person , puis a calculé les soldes impayés — en cinq étapes de raisonnement, sans aucune intervention humaine dans le code SQL. 

Exemple 2.requête d'inscription inter-modèles : étudiants en calcul différentiel et intégral II

utilisateur : « Affichez la liste des étudiants inscrits au cours de Calcul II » 

 JOIN INTER-MODÈLES — LA FAÇON DE PENSER DE L'ANALYSTE 

« Je dois effectuer des jointures entre les tables « cours », « classes » et « inscriptions » pour obtenir la liste des étudiants inscrits au cours de calcul différentiel et intégral II, puis effectuer une jointure avec la table « personnes » pour obtenir leurs noms. Je vais vérifier les relations afin d’utiliser les clés de jointure appropriées. »

Chemin d'accès : inscriptions → cours via class_id → id · inscriptions → étudiants via student_id → id · étudiants → personne via id → id · Exécuté en 5,8 s 

POURQUOI C'EST IMPORTANT 

La couche sémantique est la clé

outils bi traditionnels outils bi qu'une personne crée des rapports avant que quiconque puisse consulter les données. Les analystes Actian AI renversent ce modèle. La couche sémantique est créée une seule fois par l'analyste Actian AI, puis n'importe qui peut l'explorer librement. 

• Du SQL sémantique, pas du SQL brut. L'IA écrit des requêtes en fonction de vos modèles sémantiques, en intégrant la logique métier. Moins d'erreurs, des résultats cohérents. 
• Contrôle d'accès au niveau des modèles. Choisissez précisément les modèles auxquels chaque analyste a accès. Sécurité intégrée dès la conception. 
• Raisonnement inter-tables. Une fois les relations définies, l'IA sait quel chemin de jointure utiliser. 
• Conseils aux agents par modèle. Ajoutez des notes en langage clair à n'importe quel modèle et l'AI Analyst appliquera ce contexte à chaque question. 

POUR COMMENCER 

Connecter Zen à AI Analyst 

Si vous utilisez Actian Zen aujourd'hui, il vous suffit d'une simple chaîne de connexion JDBC pour accéder à l'analyse conversationnelle. La procédure est très simple : 

Pour une base de données Zen type comprenant 10 à 15 tables, Steward peut mettre à disposition un analyste pleinement opérationnel en moins de 30 minutes. Une fois que Steward a élaboré la couche sémantique, vous pouvez l'affiner, ajouter des mesures personnalisées, modifier les descriptions et définir les consignes à l'intention des agents. 

Actian AI Analyst est accessible viasonapplication webetpropose un essai gratuit de 14 jours. Connectez votre première source de données Zen en allant dans «Connexions »→ « + Nouvelle connexion » → « Zen JDBC ».  

CONCLUSION 

Au-delà de la requête: le rôle réel de la couche sémantique

Ces avantages mettent en évidence quelque chose qui va bien au-delà d’un simple chatbot connecté à une base de données. La véritable innovation d’Actian AI Analyst réside dans la couche sémantique, une description structurée et lisible par l’IA de vos données, qui se situe entre le SQL brut et le langage naturel. 

Une fois cette couche mise en place, chaque utilisateur votre organisation est en mesure d'interroger directement votre base de données Zen. Un administrateur universitaire peut ainsi savoir quels étudiants ont les frais de scolarité les plus élevés. Un responsable des inscriptions peut identifier toutes les personnes inscrites à un cours spécifique. Un chef de département peut voir quels enseignants ont une charge de cours excessive, le tout sans avoir à ouvrir un outil de BI, à créer un ticket ou à écrire la moindre ligne de code SQL. 

Pour les entreprises qui utilisent déjà Actian Zen, la barrière à l’entrée est volontairement réduite au minimum : une chaîne de connexion JDBC, une session Steward, et vous disposez d’un analyste IA opérationnel. Il n’y a pas d’entrepôt de données à provisionner, pas de pipeline ETL à maintenir, pas de couche BI pour laquelle il faudrait acquérir une licence séparée. 

Vos données ont toujours détenu les réponses. Désormais, tout le monde peut les interroger.

À propos de l'auteur

À propos de Johnson Varughese

Johnson Varughese dirige Support chez Actian, où il aide les développeurs à tirer parti des interfaces de données d'Actian (ODBC, JDBC, ADO.NET, etc.). En tant que Google Certified Data Practitioner et IA générative , il apporte des conseils techniques et son expertise en dépannage pour garantir des performances d'application robustes dans différents environnements de programmation. Les connaissances approfondies de Johnson en matière d'interfaces d'accès aux données ont permis de rationaliser de nombreux projets de développement. Ses articles sur le blog Actian détaillent les meilleures pratiques pour l'intégration des moteurs de base de données et des interfaces d'Actian. Consultez ses articles pour optimiser vos applications basées sur des bases de données.