Structure de Base de Données : Datasets Normalisés
Vue d’ensemble
La structure de base de données d’EXAI a été entièrement refondée pour supporter une approche normalisée de la gestion des datasets. Cette nouvelle architecture remplace l’ancienne table unique datasets par 5 tables relationnelles interconnectées qui offrent une granularité et une flexibilité bien supérieures.
Objectifs de la Refonte
-
Normalisation : Élimination de la redondance et amélioration de l’intégrité des données
-
Granularité : Gestion détaillée des fichiers et colonnes individuels
-
Métadonnées éthiques : Support étendu pour les critères éthiques de l’IA explicable
-
Multi-fichiers : Support natif des datasets composés de plusieurs fichiers
-
Relations : Traçabilité des relations entre fichiers et colonnes
-
Évolutivité : Structure adaptée aux besoins futurs d’EXAI
Structure des Tables
La nouvelle structure comprend 5 tables principales organisées hiérarchiquement :
@startuml
!theme plain
entity "datasets" as dataset {
+ id : UUID [PK]
--
dataset_name : VARCHAR(255)
year : INTEGER
objective : TEXT
access : VARCHAR(100)
availability : VARCHAR(100)
num_citations : INTEGER
citation_link : TEXT
sources : TEXT
storage_uri : VARCHAR(500)
...
(40+ champs métadonnées)
--
created_at : TIMESTAMPTZ
updated_at : TIMESTAMPTZ
}
entity "dataset_files" as file {
+ id : UUID [PK]
--
dataset_id : UUID [FK]
file_name_in_storage : VARCHAR(255)
logical_role : VARCHAR(255)
format : VARCHAR(50)
mime_type : VARCHAR(100)
size_bytes : BIGINT
row_count : BIGINT
description : TEXT
--
created_at : TIMESTAMPTZ
updated_at : TIMESTAMPTZ
}
entity "file_columns" as column {
+ id : UUID [PK]
--
dataset_file_id : UUID [FK]
column_name : VARCHAR(255)
data_type_original : VARCHAR(100)
data_type_interpreted : VARCHAR(50)
description : TEXT
is_primary_key_component : BOOLEAN
is_nullable : BOOLEAN
is_pii : BOOLEAN
example_values : TEXT[]
position : INTEGER
stats : JSONB
--
created_at : TIMESTAMPTZ
updated_at : TIMESTAMPTZ
}
entity "dataset_relationships" as relationship {
+ id : UUID [PK]
--
dataset_id : UUID [FK]
from_file_id : UUID [FK]
to_file_id : UUID [FK]
relationship_type : VARCHAR(50)
description : TEXT
--
created_at : TIMESTAMPTZ
updated_at : TIMESTAMPTZ
}
entity "dataset_relationship_column_links" as link {
+ id : UUID [PK]
--
relationship_id : UUID [FK]
from_column_id : UUID [FK]
to_column_id : UUID [FK]
link_order : INTEGER
}
dataset ||--o{ file
file ||--o{ column
dataset ||--o{ relationship
file ||--o{ relationship
relationship ||--o{ link
column ||--o{ link
@enduml
Table datasets (Principale)
La table principale contient toutes les métadonnées d’un dataset, organisées en sections logiques :
Identification & Informations Générales
-
dataset_name: Nom du dataset -
year: Année de création/publication -
objective: Description de l’objectif du dataset -
access: Niveau d’accès (public, privé, etc.) -
availability: Disponibilité du dataset -
num_citations: Nombre de citations -
citation_link: Lien vers les informations de citation -
sources: Sources et origines du dataset -
storage_uri: URI de stockage du dataset
Caractéristiques Techniques
-
instances_number: Nombre d’instances/lignes -
features_description: Description des caractéristiques -
features_number: Nombre de caractéristiques/colonnes -
domain: Domaines d’application (array) -
representativity_description: Description de la représentativité -
representativity_level: Niveau de représentativité -
sample_balance_description: Description de l’équilibre des échantillons -
sample_balance_level: Niveau d’équilibre des échantillons -
split: Dataset déjà divisé en train/test -
missing_values_description: Description des valeurs manquantes -
has_missing_values: Présence de valeurs manquantes -
global_missing_percentage: Pourcentage global de valeurs manquantes -
missing_values_handling_method: Méthode de traitement des valeurs manquantes -
temporal_factors: Présence de facteurs temporels -
metadata_provided_with_dataset: Métadonnées fournies avec le dataset -
external_documentation_available: Documentation externe disponible -
documentation_link: Lien vers la documentation -
task: Types de tâches ML supportées (array)
Critères Éthiques (Spécifiques à EXAI)
-
informed_consent: Consentement éclairé obtenu -
transparency: Transparence des données -
user_control: Contrôle utilisateur -
equity_non_discrimination: Équité et non-discrimination -
security_measures_in_place: Mesures de sécurité en place -
data_quality_documented: Qualité des données documentée -
data_errors_description: Description des erreurs de données -
anonymization_applied: Anonymisation appliquée -
record_keeping_policy_exists: Politique de conservation des données -
purpose_limitation_respected: Limitation d’usage respectée -
accountability_defined: Responsabilités définies
Table dataset_files
Gère les fichiers individuels associés à un dataset.
-- Exemple : Dataset avec fichiers multiples
INSERT INTO dataset_files (dataset_id, file_name_in_storage, logical_role) VALUES
('uuid-dataset', 'train.csv', 'training_data'),
('uuid-dataset', 'test.csv', 'test_data'),
('uuid-dataset', 'metadata.json', 'metadata');Table file_columns
Décrit chaque colonne/feature d’un fichier avec ses métadonnées détaillées.
-- Exemple : Colonnes d'un fichier CSV
INSERT INTO file_columns (dataset_file_id, column_name, data_type_interpreted, is_pii, position) VALUES
('uuid-file', 'user_id', 'identifier', true, 1),
('uuid-file', 'age', 'numerical', false, 2),
('uuid-file', 'income', 'numerical', false, 3);Champs spécialisés
-
data_type_original: Type original dans le fichier -
data_type_interpreted: Type interprété (numerical,categorical,text,identifier, etc.) -
is_primary_key_component: Fait partie de la clé primaire -
is_pii: Contient des informations personnelles (important pour l’éthique) -
example_values: Exemples de valeurs (array) -
stats: Statistiques calculées (JSON) - min, max, mean, std, etc.
Table dataset_relationships
Décrit les relations logiques entre fichiers d’un même dataset ou de datasets différents.
-- Exemple : Relation foreign key entre deux fichiers
INSERT INTO dataset_relationships (dataset_id, from_file_id, to_file_id, relationship_type) VALUES
('uuid-dataset', 'uuid-users-file', 'uuid-orders-file', 'foreign_key');Table dataset_relationship_column_links
Spécifie précisément quelles colonnes sont liées dans une relation.
-- Exemple : Lien user_id -> customer_id
INSERT INTO dataset_relationship_column_links (relationship_id, from_column_id, to_column_id, link_order) VALUES
('uuid-relationship', 'uuid-user-id-column', 'uuid-customer-id-column', 1);Migration et Compatibilité
Migration Alembic
La migration 71ec68fa0302 effectue la transition complète :
# Application de la migration
cd service-selection
alembic upgrade headLa migration :
1. Supprime l’ancienne table datasets
2. Crée les 5 nouvelles tables avec toutes leurs contraintes
3. Ajoute tous les index nécessaires pour les performances
| Cette migration est destructive et supprime toutes les données existantes. Assurez-vous d’avoir une sauvegarde si nécessaire. |
Modèles Pydantic
La refonte inclut des schémas Pydantic complets pour chaque table :
Schémas de base
-
DatasetBase/Create/Update/Read -
DatasetFileBase/Create/Update/Read -
FileColumnBase/Create/Update/Read -
DatasetRelationshipBase/Create/Update/Read -
DatasetRelationshipColumnLinkBase/Create/Update/Read
Exemples d’Usage
Création d’un dataset complet
# 1. Créer le dataset principal
dataset = Dataset(
dataset_name="Customer Analytics Dataset",
year=2024,
objective="Analyse comportementale des clients",
domain=["marketing", "analytics"],
task=["classification", "clustering"],
anonymization_applied=True,
informed_consent=True
)
# 2. Ajouter des fichiers
train_file = DatasetFile(
dataset_id=dataset.id,
file_name_in_storage="customers_train.csv",
logical_role="training_data",
format="csv",
row_count=10000
)
test_file = DatasetFile(
dataset_id=dataset.id,
file_name_in_storage="customers_test.csv",
logical_role="test_data",
format="csv",
row_count=2500
)
# 3. Décrire les colonnes
columns = [
FileColumn(
dataset_file_id=train_file.id,
column_name="customer_id",
data_type_interpreted="identifier",
is_primary_key_component=True,
is_pii=True,
position=1
),
FileColumn(
dataset_file_id=train_file.id,
column_name="age_group",
data_type_interpreted="categorical",
example_values=["18-25", "26-35", "36-50", "50+"],
position=2
)
]Requête de filtrage avancée
# Recherche avec critères éthiques
filters = DatasetFilterCriteria(
domain=["healthcare", "finance"],
anonymization_applied=True,
informed_consent=True,
instances_number_min=1000,
year_min=2020
)
# Scoring basé sur critères éthiques
weights = [
CriterionWeight(criterion_name="anonymization_applied", weight=2.0),
CriterionWeight(criterion_name="informed_consent", weight=2.0),
CriterionWeight(criterion_name="transparency", weight=1.5),
CriterionWeight(criterion_name="data_quality_documented", weight=1.0)
]
score_request = DatasetScoreRequest(filters=filters, weights=weights)Performance et Index
Considérations de Sécurité
Évolution Future
Cette structure normalisée prépare le terrain pour :
-
Versioning des datasets : Ajout de tables de versions
-
Provenance des données : Traçabilité complète de l’origine
-
Métadonnées ML : Informations sur les modèles entraînés
-
Audit avancé : Logs détaillés des accès et modifications
-
Fédération : Support de datasets distribués
| Cette architecture respecte les principes de normalisation de base de données tout en étant optimisée pour les besoins spécifiques d’EXAI en matière d’explicabilité et d’éthique de l’IA. |