Embeddings multimodaux natifs

Le moteur prend en charge les embeddings de texte pour les titres et descriptions, les embeddings d'images pour le contenu visuel, les embeddings collaboratifs pour les interactions utilisateur-élément, et les embeddings de personnel pour les acteurs et l'équipe. Vous pouvez les combiner dans une seule requête pour mélanger les signaux sémantiques, visuels et comportementaux.

MLOps automatisé

ShapedQL gère automatiquement le déploiement, le versionnage et la surveillance des modèles. Le modèle de démonstration inclut un prédicteur de taux de clics entraîné avec LightGBM, montrant comment les modèles de notation s'intègrent directement dans le pipeline SQL sans orchestration manuelle.

Bac à sable en direct avec jeu de données de démonstration

Le bac à sable ShapedQL vous permet de tester des requêtes sur le jeu de données Movielens, enrichi avec les données IMDb. Vous pouvez sélectionner des cas d'utilisation comme la recherche Agent, la recherche et les flux, ou les recommandations, choisir des requêtes sauvegardées ou écrire les vôtres, et voir les résultats instantanément.

Ce qui se démarque

"Remplacez des milliers de lignes d'infrastructure par 30 lignes de SQL."

C'est la promesse centrale — ShapedQL condense ce qui nécessite généralement une pile de bases de données vectorielles, de couches de mise en cache et de scripts de notation personnalisés en une seule requête SQL. Le bac à sable le démontre concrètement : vous pouvez basculer entre des cas d'utilisation comme la recherche, les flux et les recommandations, chacun alimenté par le même moteur, utilisant la même syntaxe SQL. Les embeddings intégrés pour le texte, les images et les signaux collaboratifs signifient que vous n'avez pas besoin de gérer des pipelines d'embedding séparés ni de vous soucier de leur synchronisation.

À considérer si…

Vous en avez assez de maintenir une infrastructure fragile qui assemble la recherche vectorielle, la mise en cache et la logique de classement — et vous préféreriez exprimer votre logique de pertinence en SQL. Si vous construisez des flux personnalisés, une recherche sémantique ou des systèmes RAG qui doivent s'adapter au comportement des utilisateurs en temps réel, ShapedQL offre une approche radicalement plus simple. Le bac à sable est un bon point de départ : choisissez un cas d'utilisation, exécutez une requête et voyez comment 30 lignes de SQL peuvent remplacer ce qui nécessitait auparavant une équipe dédiée et plusieurs services.