Un moteur de contexte qui s'améliore tout seul

La couche sémantique de Basedash repose sur les modèles. Un modèle est un dataset SQL réutilisable, rattaché à une source de données, auquel s'ajoutent des métadonnées sémantiques : descriptions et synonymes des colonnes, mesures comme le revenu récurrent mensuel, segments comme les abonnements actifs, une colonne de temps par défaut, une granularité, des consignes d'usage et des relations avec d'autres modèles. Les modèles apparaissent comme des tables virtuelles en lecture seule, interrogées par leur nom de référence, comme models.subscriptions, et chaque IA de Basedash reçoit leurs définitions et leur statut de vérification quand elle répond.

Oui, en complément. Connectez l'entrepôt où dbt construit vos tables et Basedash interroge ces tables et ces vues directement. Les descriptions de tables et de colonnes présentes dans l'entrepôt, y compris celles que dbt y persiste, sont lues automatiquement comme contexte pour l'IA. Basedash ne lit pas les fichiers de projet dbt : les équipes construisent généralement leurs modèles au-dessus de leurs marts dbt pour ajouter les mesures, segments et relations qu'utilisent les agents, et peuvent les gérer depuis la CI via l'API REST.

Définissez-la comme une mesure sur un modèle. Une mesure est une expression d'agrégat nommée, comme SUM(monthly_amount) pour le revenu récurrent mensuel, et un segment est un filtre nommé, comme status = 'active'. Gardez le SQL du modèle au niveau ligne, une ligne par abonnement par exemple, et choisissez une colonne de temps par défaut pour que l'IA puisse regrouper la métrique par jour, semaine ou mois. Écrivez-les vous-même, ou décrivez la métrique et laissez l'IA rédiger le SQL, les mesures et les segments, que vous relisez ensuite.

Oui. Le SQL d'un modèle peut nettoyer, joindre, renommer et remodeler des tables brutes en datasets prêts pour l'analyse, et un modèle peut joindre d'autres modèles et tables de la même source. Chaque modèle s'exécute dans le dialecte SQL natif de sa source. Pour modéliser plusieurs outils SaaS comme Stripe et HubSpot, synchronisez-les dans Basedash Warehouse, où chacun arrive dans son propre schéma sur une même source, puis construisez vos modèles par-dessus.

Sans modèles, une IA reconstruit la logique métier depuis les tables brutes à chaque question, et les petits écarts s'accumulent : un filtre oublié, une mauvaise jointure, un revenu compté deux fois. Avec les modèles, Basedash transmet à ses agents les mesures, segments, granularité, relations, synonymes et statut de vérification de chaque modèle. L'IA réutilise les expressions de mesure dans le SELECT et celles de segment dans le WHERE, suit les relations déclarées pour éviter les doublons de jointure, et privilégie les modèles vérifiés quand plusieurs pourraient répondre.

Les membres peuvent consulter et modifier les modèles des sources de données auxquelles ils ont accès, et les règles d'accès par ligne et par objet filtrent toujours le SQL et les métadonnées que chacun voit. Chaque changement de SQL ou de métadonnées sémantiques crée une version que vous pouvez consulter et restaurer depuis l'historique. Seuls les admins de l'organisation peuvent vérifier un modèle, et modifier son SQL, ses colonnes, ses mesures, ses segments ou sa colonne de temps par défaut retire la vérification jusqu'à ce qu'un admin relise la nouvelle version.

Les modèles portent la logique exécutable : datasets SQL, mesures et segments que chaque requête peut réutiliser, pour que les chiffres soient toujours les mêmes. Les skills portent le jugement : des playbooks en langage courant, comme la façon dont la finance présente le revenu ou dont on lit une expérimentation, que l'IA charge quand une demande s'y prête. La plupart des équipes utilisent les deux : les modèles pour ce qu'il faut calculer, les skills pour la façon d'analyser et de présenter.