J’ai développé un assistant SQL en langage naturel permettant à des utilisateurs non techniciens d’interroger des bases de données métier (PostgreSQL) sans aucune assistance technique. L’objectif : démocratiser l’accès à la donnée tout en gardant un haut niveau de sécurité.
- Code source : https://github.com/fkdia23/text-to-sql-to-text
- Langage naturel → SQL → réponse : l’utilisateur pose sa question en français, l’agent génère la requête, l’exécute et restitue le résultat en langage clair.
- Sécurité renforcée : validation des requêtes, gestion des permissions et logs d’audit.
- Architecture conteneurisée : déploiement reproductible via Docker.
1. Le défi : la donnée reste prisonnière des équipes techniques
- Contexte : les équipes métier dépendent souvent des analystes ou développeurs pour obtenir une simple extraction de données.
- Conséquence : délais, surcharge des équipes data, sous-exploitation des bases existantes.
- Objectif : donner de l’autonomie aux métiers tout en encadrant strictement l’accès aux données.
2. La solution : un agent text-to-SQL-to-text
- Compréhension : l’utilisateur formule sa demande en langage naturel (ex. « Liste les 5 produits les plus vendus par catégorie »).
- Génération : le LLM produit une requête SQL à partir du schéma de la base.
- Validation : la requête est analysée et filtrée avant exécution (lecture seule, contrôle des tables autorisées).
- Exécution & restitution : le résultat est exécuté sur PostgreSQL puis reformulé en langage naturel.
3. Stack technique
- API : FastAPI (Python), asynchrone
- Modèle : LLaMA pour la génération SQL
- Base de données : PostgreSQL
- Interface : Gradio pour une démo accessible
- Infrastructure : Docker pour la conteneurisation
- Sécurité : validation des requêtes, gestion des permissions, logs d’audit
4. Sécurité et gouvernance
- Validation des requêtes : interdiction des opérations destructrices, restriction aux requêtes de lecture.
- Gestion des permissions : contrôle des tables et colonnes accessibles selon le profil.
- Logs d’audit : traçabilité complète des requêtes générées et exécutées.
5. Lien avec le poste
Ce projet illustre la conception de solutions d’intégration et de valorisation des données pour différents métiers, ainsi que la maîtrise des bonnes pratiques DevOps Big Data et des pipelines conteneurisés — au cœur des responsabilités d’un Data Scientist junior tourné vers l’usage métier.