# Подключение Infer к dbt v1
Локальная разработка
Плагин, поддерживаемый поставщиком
Некоторая основная функциональность может отличаться. Если вы хотите сообщить об ошибке, запросить функцию или внести свой вклад, вы можете посетить связанный репозиторий и открыть задачу.
* **Поддерживается**: Infer
* **Авторы**: Erik Mathiesen-Dreyfus, Ryan Garland
* **Репозиторий GitHub**: [inferlabs/dbt-infer](https://github.com/inferlabs/dbt-infer) [](https://github.com/inferlabs/dbt-infer)
* **Пакет PyPI**: `dbt-infer` [](https://badge.fury.io/py/dbt-infer)
* **Канал Slack**: [n/a]()
* **Поддерживаемая версия dbt**: v1.2.0 и новее
* **Поддержка dbt**: Не поддерживается
* **Минимальная версия платформы данных**: n/a
## Установка dbt-infer
Установите адаптер с помощью \`pip\`: `python -m pip install dbt-infer`
## Настройка dbt-infer
Конфигурацию, специфичную для Infer, см. на странице [настроек Infer.](https://docs.getdbt.tech/reference/resource-configs/infer-configs.md)
## Подключение к Infer с помощью **dbt-infer**
Infer позволяет выполнять продвинутую ML аналитику в SQL, как если бы она была встроена в ваше хранилище данных. Для этого Infer использует вариант, называемый SQL-inf, который определяет набор примитивных ML команд, из которых вы можете строить продвинутый анализ для любых бизнес-задач. Подробнее о SQL-inf и Infer читайте в [документации Infer](https://docs.getinfer.io/).
Пакет `dbt-infer` позволяет легко использовать SQL-inf в ваших моделях DBT. Подробнее о самом пакете `dbt-infer` и о том, как он подключается к Infer, читайте в [документации dbt-infer](https://dbt.getinfer.io/).
Пакет `dbt-infer` позволяет легко использовать SQL-inf прямо в ваших моделях dbt.
Подробнее о самом пакете `dbt-infer` и о том, как он интегрируется с Infer, вы можете прочитать в [документации dbt-infer](https://dbt.getinfer.io/).
Адаптер dbt-infer распространяется через PyPi и устанавливается с помощью pip.
Чтобы установить последнюю версию пакета dbt-infer, просто выполните следующую команду в том же shell-окружении, в котором вы запускаете dbt.
```python
pip install dbt-infer
```
Версионирование dbt-infer следует стандартной схеме версионирования dbt - это означает, что если вы используете dbt 1.2, соответствующий dbt-infer будет называться 1.2.x, где x - это последний номер минорной версии.
Перед использованием SQL-inf в ваших dbt-моделях необходимо настроить аккаунт Infer и сгенерировать API-key для подключения.
Подробные инструкции см. в [руководстве по началу работы](https://docs.getinfer.io/docs/reference/integrations/dbt).
Конфигурация профиля в `profiles.yml` для `dbt-infer` должна выглядеть примерно так:
\~/.dbt/profiles.yml
```yaml
:
target:
outputs:
:
type: infer
url: ""
username: ""
apikey: ""
data_config:
[конфигурация для вашего основного хранилища данных]
```
Обратите внимание, что вам также нужно установить пакет адаптера для вашего основного хранилища данных. Например, если ваше хранилище данных - это BigQuery, то вам также нужно установить соответствующий пакет `dbt-bigquery`. Конфигурация этого пакета помещается в поле `data_config`.
### Описание полей профиля Infer
| Поле | Обязательно | Описание |
| ------------- | ----------- | ----------------------------------------------------------------------------------------------------------------------------------------------- |
| `type` | Да | Должно быть установлено в `infer`. Это должно быть включено либо в `profiles.yml`, либо в файл `dbt_project.yml`. |
| `url` | Да | Имя хоста сервера Infer для подключения. Обычно это `https://app.getinfer.io`. |
| `username` | Да | Ваше имя пользователя Infer - то, которое вы используете для входа. |
| `apikey` | Да | Ваш API-ключ Infer. |
| `data_config` | Да | Конфигурация для вашего основного хранилища данных. Формат этой конфигурации следует формату конфигурации для вашего адаптера хранилища данных. |
### Пример конфигурации Infer
Чтобы проиллюстрировать вышеописанное, вот пример того, как может выглядеть конфигурация `dbt-infer`. В этом случае основное хранилище данных - это BigQuery, для которого мы настраиваем адаптер внутри поля `data_config`.
```yaml
infer_bigquery:
apikey: 1234567890abcdef
username: my_name@example.com
url: https://app.getinfer.io
type: infer
data_config:
dataset: my_dataset
job_execution_timeout_seconds: 300
job_retries: 1
keyfile: bq-user-creds.json
location: EU
method: service-account
priority: interactive
project: my-bigquery-project
threads: 1
type: bigquery
```
## Использование
Вам не нужно ничего менять в существующих dbt‑моделях при переходе на использование SQL‑inf —
все они будут работать так же, как и раньше, — но теперь у вас появляется возможность использовать команды SQL‑inf как нативные SQL‑функции.
Infer поддерживает ряд команд SQL-inf, включая `PREDICT`, `EXPLAIN`, `CLUSTER`, `SIMILAR_TO`, `TOPICS`, `SENTIMENT`. Подробнее о SQL-inf и поддерживаемых командах читайте в [Руководстве по SQL-inf](https://docs.getinfer.io/docs/category/commands).
Чтобы помочь вам начать, мы приведем здесь краткий пример того, как может выглядеть такая модель. Другие более сложные примеры вы можете найти в [репозитории примеров dbt-infer](https://github.com/inferlabs/dbt-infer-examples).
В нашем простом примере мы покажем, как использовать предыдущую модель 'user\_features' для предсказания оттока путем предсказания столбца `has_churned`.
predict\_user\_churn.sql
```sql
{{
config(
materialized = "table"
)
}}
with predict_user_churn_input as (
select * from {{ ref('user_features') }}
)
SELECT * FROM predict_user_churn_input PREDICT(has_churned, ignore=user_id)
```
Обратите внимание, что мы не учитываем `user_id` при прогнозировании. Это связано с тем, что, по нашему мнению, `user_id` не должен влиять на прогноз оттока, поэтому мы исключаем его. Мы также придерживаемся соглашения объединять входные данные для прогнозирования в CTE с именем `predict_user_churn_input`.