Tes données.
Les prédictions IA.
Une requête SQL.

-- PostgresML : ML directement dans PostgreSQL
-- 1. Charger le dataset Tiger Data
COPY tiger_dvf FROM '/data/tiger_dvf_france.csv' CSV HEADER;

-- 2. Entraîner le modèle (LightGBM)
SELECT pgml.train(
  project_name   => 'tiger_prix_immo',
  task           => 'regression',
  relation_name  => 'tiger_dvf',
  y_column_name  => 'prix_m2',
  algorithm      => 'lightgbm'
);

-- 3. Prédire en temps réel
SELECT
  surface,
  code_dept,
  pgml.predict('tiger_prix_immo',
    ARRAY[surface::float, code_dept_num::float, annee::float]
  ) AS prix_m2_predit
FROM nouveaux_biens;

-- Entraînement : ~30s | Inférence : <2ms par ligne

-- BigQuery ML : SQL pur, scale automatique
-- 1. Charger dataset Tiger Data dans BigQuery
-- (upload CSV/Parquet via console ou bq load)

-- 2. Créer le modèle ML
CREATE OR REPLACE MODEL `tiger.prix_immo_model`
OPTIONS(
  model_type = 'BOOSTED_TREE_REGRESSOR',
  input_label_cols = ['prix_m2'],
  num_parallel_tree = 5
) AS
SELECT surface, type_local, code_dept, annee, prix_m2
FROM `tiger.dvf_france_2024`
WHERE prix_m2 IS NOT NULL;

-- 3. Prédire
SELECT *
FROM ML.PREDICT(
  MODEL `tiger.prix_immo_model`,
  (SELECT 75 AS surface, '75' AS code_dept, 2026 AS annee)
);

# Tiger Data Predictive Engine — usage local
# pip install lightgbm scikit-learn polars

from src.pipelines.predictive_engine.predict import run_prediction

# Prédire le cours BTC sur les 10 prochaines lignes
result = run_prediction(
    dataset_key="crypto",
    target="close",
    n_rows=10
)

# Voir les prédictions
for p in result["predictions"]:
    print(f"Réel: {p['actual']:.2f} | Prédit: {p['predicted']:.2f} | Erreur: {p['error_pct']:.1f}%")

# Afficher le SQL MindsDB généré automatiquement
print(result["sql_mindsdb"])

# CLI équivalente :
# python src/pipelines/predictive_engine/predict.py --dataset crypto --rows 10