EvaDB: cómo integrar modelos de IA en consultas SQL

EvaDB es un framework de código abierto de Georgia Tech que añade capacidades de inteligencia artificial a los sistemas de bases de datos SQL existentes. En lugar de trasladar los datos a una plataforma de ML separada, EvaDB permite ejecutar modelos de IA directamente desde una consulta SQL con sintaxis familiar para cualquier desarrollador que ya trabaje con PostgreSQL, SQLite o MySQL.

La idea conecta con una tendencia más amplia: acercar los modelos de IA al entorno de trabajo de los desarrolladores, igual que herramientas como Open Interpreter llevan la ejecución de código asistido por IA al terminal del desarrollador. Aquí el punto de acceso es la base de datos.

Lo que ofrece EvaDB

La propuesta central es una API SQL que permite lanzar inferencias de modelos de IA como si fueran funciones en una consulta normal. El sistema soporta datos estructurados y no estructurados (imágenes, vídeo, texto) y se integra con Hugging Face, OpenAI, YOLO y PyTorch.

• Integración con bases de datos existentes: basta con la declaración CREATE DATABASE para conectar EvaDB a tu sistema SQL y empezar a escribir consultas con funciones de IA.
• Modelos preentrenados: puedes usar directamente modelos de Hugging Face, YOLO u OpenAI sin gestionarlos fuera de la consulta.
• Modelos personalizados: con CREATE FUNCTION puedes registrar cualquier modelo propio o ajustado a tu caso de uso.
• Optimización de consultas: el motor genera un plan de consulta que reduce al mínimo las llamadas al modelo y aprovecha la GPU cuando está disponible, lo que baja el coste computacional.
• Búsqueda vectorial: soporta índices FAISS para búsqueda por similitud sobre embeddings, especialmente útil en aplicaciones de retrieval o RAG (Retrieval-Augmented Generation).

Cómo funciona en la práctica

La conexión a una base de datos es directa:

CREATE DATABASE mi_base_datos WITH ENGINE = 'postgres';

Una consulta con inferencia se escribe igual que un SELECT normal:

SELECT MnistImageClassifier(data).label FROM mnist_video;

Para búsqueda por similitud de imágenes usando FAISS:

CREATE INDEX reddit_sift_image_index ON reddit_dataset (SiftFeatureExtractor(data)) USING FAISS;
SELECT name FROM reddit_dataset ORDER BY Similarity(...) LIMIT 5;

A quién le resulta útil

EvaDB es especialmente práctico para equipos de desarrollo que ya trabajan con SQL y quieren incorporar modelos de IA sin montar una infraestructura de ML separada. Los casos de uso más comunes que describe el proyecto: clasificación de imágenes, detección de objetos en vídeo, análisis de sentimiento sobre texto y búsqueda semántica.

Si sabes escribir SQL, ya sabes cómo lanzar una inferencia de IA con EvaDB. El conocimiento de ML sigue siendo necesario para construir o afinar modelos, pero no para usarlos sobre tus datos. Eso conecta con lo que la IA aplicada a distintos sectores está haciendo en el mercado: bajar la barrera de entrada para que más equipos puedan usar capacidades que antes requerían especialistas.

La documentación completa y el código fuente están en el GitHub del proyecto.

Preguntas frecuentes

¿Con qué bases de datos es compatible EvaDB?

EvaDB se integra con PostgreSQL, SQLite y MySQL, entre otros. La conexión se establece con CREATE DATABASE especificando el motor.

¿Qué modelos de IA soporta EvaDB?

Modelos preentrenados de Hugging Face, OpenAI (GPT-4, embeddings), YOLO para detección de objetos y PyTorch. También permite registrar modelos propios con CREATE FUNCTION.

¿Para qué sirve FAISS en EvaDB?

Para búsqueda por similitud sobre vectores de embeddings. Permite construir índices vectoriales y hacer consultas tipo “encontrar las 5 imágenes más parecidas” directamente desde SQL.

¿EvaDB es de código abierto?

Sí. El proyecto es de Georgia Tech y está disponible bajo licencia MIT en GitHub. Acepta contribuciones externas y tiene documentación pública.