---
title: "Qu’est-ce que Datarelix ?"
description: "Découvrez Datarelix et comment interroger vos données en langage naturel, avec des requêtes SQL/KQL validées avant leur exécution."
canonical: https://docs.datarelix.ai/fr/introduction/
---

# Qu’est-ce que Datarelix ?

Datarelix est un client de données assisté par IA qui transforme vos questions en langage naturel en requêtes SQL/KQL validées, avec une analyse Python en option.

## Bases de données prises en charge

- **PostgreSQL**
- **MySQL**
- **Azure SQL** / **Synapse**
- **Databricks SQL**
- **Kusto** (Azure Data Explorer, KQL)
- **BigQuery**
- **Amazon Athena**
- **Elasticsearch** (ES|QL, 8.11+)
- **Snowflake**
- **Files & Object Storage** (DuckDB — Parquet, CSV, JSON, Excel, Delta)

## Principales fonctionnalités

- **Questions en langage naturel** : posez des questions comme « Quels ont été nos meilleurs clients le mois dernier ? »
- **Exécution validée** : chaque requête générée est analysée et validée avant son exécution.
- **Analyse Python en bac à sable** : graphiques, statistiques et transformations complexes dans un environnement d'exécution isolé — trafic sortant bloqué au niveau réseau, limites de ressources strictes.
- **Multi-dialecte** : une seule interface pour vos bases de données, vos entrepôts, vos clusters de recherche et vos fichiers dans le cloud.
- **Connexion** : e-mail et mot de passe pour démarrer ; le SSO et l'identité de base de données par utilisateur (On-Behalf-Of) sont disponibles pour les espaces de travail — voir [Authentification](/fr/api/auth/).
- **API-first** : chaque action de l'interface est un point de terminaison REST. Les clés programmatiques sont délivrées sur demande.
- **Entièrement géré** : Datarelix exploite la couche d'exécution, les services de requêtes et le bac à sable — rien à installer ni à administrer.

## Comment ça marche

1. **Connecter** — ajoutez les identifiants de votre base de données (chiffrés au repos).
2. **Demander** — posez une question en langage naturel.
3. **Planifier** — le modèle renvoie un plan structuré, pas des appels d'outils directs.
4. **Exécuter** — la couche d'exécution valide puis exécute chaque étape, sur votre base de données via un service de requêtes isolé, ou dans le bac à sable pour Python.
5. **Répondre** — vous obtenez un résultat orienté artefacts : tableaux, graphiques et une courte explication, avec la provenance complète.

## L'architecture en bref

Datarelix repose sur une frontière d'exécution stricte : **le LLM n'exécute jamais d'outils directement.**

```
User question
    ↓
Execution layer
    ↓
The model produces a structured plan
    ↓
The execution layer validates and runs each step
    ├─→ Isolated query services (one per engine, read-only)
    └─→ Sandbox (isolated Python runtime)
    ↓
Artifact-first result
```

Cette séparation implique que :

- Les identifiants de connexion ne sont jamais placés dans le contexte du modèle : ils sont déchiffrés au moment de l'exécution uniquement, par un service de requêtes isolé.
- Chaque requête générée est validée avant son exécution : les dialectes SQL sont analysés en arbre syntaxique complet ; KQL et ES|QL passent par des validateurs dédiés en lecture seule.
- Le code d'analyse généré s'exécute dans un bac à sable isolé, sans accès réseau : le trafic sortant est bloqué au niveau réseau — un pare-feu, pas une vérification dans le code — sous des plafonds stricts de CPU et de mémoire.
- Chaque exécution est entièrement inspectable, sous forme de trace étape par étape.

Pour en savoir plus, voir [Concepts clés](/fr/concepts/).

## Pour commencer

Prêt à vous lancer ? Suivez le [guide de démarrage rapide](/fr/quickstart/) pour mettre Datarelix en place en quelques minutes.