PQL · SQL prédictif10 034 téléchargements cette semaine

Une ligne de SQL. Un vrai modèle de prédiction.

PQL ajoute TRAIN MODEL et PREDICT à DuckDB. Vos agents répondent à « que va-t-il se passer ? » dans le SQL qu'ils parlent déjà. Pas de pipeline, pas d'export, pas de second système.

DINSTALL pql FROM community; LOAD pql;

Copié dans le presse-papiers !

Voir sur GitHub →Extension communautaire DuckDB

Open source, licence MIT
S'exécute directement dans DuckDB
Entraînement en quelques secondes sur le CPU d'un portable

TRAIN MODEL lapse
  PREDICT EXISTS(transactions)
  FOR customers AT last_seen_at
  HORIZON 30 DAYS;

-- peu après : score, baseline

PREDICT EXISTS(transactions)
  FOR customers USING MODEL lapse;TRAIN MODEL lapse
  PREDICT EXISTS(transactions)
  FOR customers AT last_seen_at
  HORIZON 30 DAYS;

-- peu après : score, baseline

PREDICT EXISTS(transactions)
  FOR customers USING MODEL lapse;

Ce que c'est

La voie habituelle déplace vos données. PQL déplace le modèle.

Aujourd'hui : les données sortent

8 étapes
3 outils
2 équipes
des semaines

Votre base de donnéestables, clés, historique

Exportune copie sort

Pipeline de featuresécrit à la main

Stack d'entraînementPython, GPU

Service d'inférenceà garder synchronisé

Avec PQL : le modèle vient aux données

1 instruction
quelques secondes

Votre base de donnéesDuckDB, avec l'extension PQL chargéerien n'est exporté, rien n'est copié

vos tablestelles quelles

TRAIN MODELfeatures construites à partir des clés

PREDICTune ligne par entité

Pour qui

Conçu pour tous ceux qui sont déjà dans la base. Humains et agents.

Si la base est la vôtre

Le développeur base de données

Une instruction SQL, les mêmes tables, les mêmes permissions. Rien à déployer.

Si vous construisez les modèles

Le data scientist

Un premier modèle défendable en quelques secondes, pas en semaines. Les fuites sont traitées par construction.

Si vous êtes un agent

L'agent IA

Il entraîne, évalue et prédit par lui-même, dans le SQL qu'il écrit déjà. Ni Python ni stack d'entraînement à lui confier.

Où il s'applique

Une entité, ses événements et une question sur son avenir.

Renouvellements SaaS, réachats e-commerce, impayés, tickets de support : la forme est toujours la même.

Restauration et hôtellerie

Quels habitués sont sur le point de ne plus venir ?

TRAIN MODEL lapse
  PREDICT EXISTS(transactions)
  FOR customers AT last_seen_at
  HORIZON 30 DAYS;

Suivi, logistique et flotte

Cette expédition connaîtra-t-elle une anomalie dans les trois prochains jours ?

TRAIN MODEL risk
  PREDICT EXISTS(scan_events
  WHERE scan_events.type = 'exception')
  FOR shipments AT dispatched_at
  HORIZON 3 DAYS;

Plus d'exemples dans le tutoriel

Les fuites, traitées par construction

Pourquoi une prévision ne peut pas tricher.

PQL coupe le temps à la valeur AT de chaque ligne. Les features viennent uniquement d'avant cet instant, et le moteur compte le label après.

tout ce que le modèle peut regarderl'historique de chaque table liée

ancre : l'instant AT de cette ligne

ce qu'on lui demande de prédirela fenêtre HORIZON

lignes ultérieures, jamais vues

temps

La preuve sur RelBench

La même classe de précision, en une instruction.

RelBench est le benchmark de Stanford pour la prédiction relationnelle.

Tâche rel-f1	PQL	Gradient boostingBoostingfeatures faites main	Réseau de neurones sur grapheGNNRelBench RDL, GPU
Qualifié dans le top 3 le mois prochain ?AUROC	0,809	0,842	0,809
Abandon en course ?AUROC	0,707	0,701	0,741
Position à l'arrivée ?MAE, plus bas = mieux	4,123	4,403	4,259
Matériel, temps d'entraînement	CPU de portable 3 à 15 s	CPU de portable ~1 s	GPU NVIDIA L4 17 à 78 s

Une victoire, une égalité, une défaite face à chacun, sans déplacer une seule ligne.

Écrit à la main

PQL

1 instruction

Gradient boosting

126 lignes de SQL de features

Réseau de neurones sur graphe

~120 lignes de code de modèle

Essayez-le en deux minutes.

Chargez l'extension dans n'importe quel shell DuckDB et entraînez votre premier modèle sur les tables que vous avez déjà.

DINSTALL pql FROM community; LOAD pql;

Copié dans le presse-papiers !

Voir sur GitHub →Extension communautaire DuckDB Lire le tutoriel

10 034 téléchargements cette semaine

Questions fréquentes

PQL (Predictive SQL) est une extension DuckDB open source qui ajoute TRAIN MODEL et PREDICT à SQL. Elle entraîne un modèle sur les tables que vous avez déjà, construit les features à partir de vos clés étrangères et renvoie les prédictions sous forme de lignes, comme n'importe quelle requête.

TRAIN indique un score calculé sur des lignes que le modèle n'a jamais vues, à côté d'une baseline : la réponse que vous obtiendriez sans aucun modèle. Si le modèle ne bat pas la baseline, vous le voyez immédiatement.

La prévision de série unique et saisonnière, comme le chiffre d'affaires quotidien total d'un établissement. Un modèle de séries temporelles dédié y fait mieux. PQL est conçu pour les questions portant sur de nombreuses entités avec des événements liés et horodatés.

Pas aujourd'hui, et c'est voulu. Les modèles vivent le temps de la session. TRAIN et PREDICT s'exécutent dans le même job, en quelques secondes : chaque prédiction porte sur des données fraîches. La persistance est sur la feuille de route pour les cas qui exigent un modèle figé.

Oui. PQL est sous licence MIT et développé ouvertement sur github.com/Guepard-Corp/duckdb-pql.