Databench by Alkera
Alkera (Alkera AI, Inc.) · Programmation · Productivité · Entreprise
Databench by Alkera est un espace de travail open source et auto-hébergé où les équipes data et les agents IA partagent notebooks, fichiers, chat et calcul sur leurs propres serveurs.
À propos de Databench by Alkera
About
Qu'est-ce que Databench by Alkera
Databench by Alkera est un espace de travail dans le navigateur pour le travail sur les données, publié en open source sous licence Apache-2.0. L'équipe dispose de notebooks partagés, de fichiers, de chats avec des agents et des machines sur lesquelles ces chats tournent, le tout dans un déploiement qu'elle héberge elle-même. Alkera, l'entreprise derrière le projet, commercialise aussi une version hébergée sur alkera.ai, avec des connecteurs gérés et une offre gratuite.
Le problème visé est connu de quiconque a placé un agent de codage devant un entrepôt de données. Une requête peut s'exécuter sans erreur et rester fausse, parce que la jointure, l'échantillon ou la table source n'étaient pas les bons. Databench garde l'agent dans le notebook que la personne est en train de modifier, si bien que ses changements en SQL et en Python apparaissent cellule par cellule au moment où ils se produisent.
Ce n'est pas un outil de BI géré. Les tableaux de bord interactifs, les connecteurs packagés et le SSO relèvent de la plateforme commerciale Alkera. La version ouverte donne un notebook collaboratif, des fichiers partagés, des chats avec agents et du calcul que vous ajoutez vous-même. C'est le prix à payer pour garder les données sur du matériel déjà financé.
Comparer cet outil à un notebook hébergé revient à demander si un espace de travail data auto-hébergé justifie le travail d'exploitation. La réponse dépend de ce que vos données peuvent quitter du bâtiment. Quand elles ne le peuvent pas, un agent IA pour l'analyse de données qui tourne sur vos machines est la seule version qu'un responsable peut valider.
Premiers pas
- Installez Docker avec Compose v2, clonez le dépôt, copiez
.env.examplevers.envet ajoutez une clé Anthropic ou OpenAI. - Lancez
docker compose up --build, ouvrezhttp://localhost:8080et connectez-vous comme administrateur par défaut pour vérifier que la pile fonctionne. - Pour un déploiement accessible à d'autres, prenez le fichier compose de production avec de vrais secrets et une URL publique, puis créez le premier compte administrateur.
- Ajoutez un serveur Linux en SSH dans Organisation puis Machines, attendez l'enregistrement du nœud et déplacez un espace de travail dessus pour que les chats et les notebooks SQL et Python y tournent.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de Databench by Alkera.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Ingénieurs data
- Ingénieurs analytics
- Data scientists
Tâches
- Analyse de l'entrepôt en SQL
- Entraînement et post-entraînement sur capacité louée
- Relecture du travail de l'agent
- Transmission à un collègue
Cas d'usage
- Équipes qui doivent garder les données en interne
- Petites équipes data sans équipe plateforme
- Découverte d'un jeu de données inconnu
Fonctionnalités clés
Des notebooks qui mêlent SQL, Python et agents
Un notebook réunit des cellules SQL et Python dans un même fichier. La cellule SQL interroge n'importe quelle connexion configurée et transmet le résultat à Python sous forme de dataframe, avec tableaux et graphiques rendus sur place. Le fichier reste du Python ordinaire, compatible avec marimo : il s'ouvre dans un éditeur et se compare dans git comme n'importe quelle source. Cela compte quand l'équipe veut un historique de relecture plutôt qu'une capture d'écran.
Les modifications en direct d'un agent à vos côtés
L'agent lit, écrit et exécute des cellules dans le notebook que vous avez ouvert, et ses changements apparaissent à mesure. Plusieurs personnes peuvent rejoindre le même chat, ce qui transforme une analyse solitaire en session partagée. Vous pouvez arrêter une exécution, corriger une cellule et renvoyer la correction à l'agent sans reformuler toute la demande.
Le calcul que vous ajoutez vous-même
Un administrateur de l'organisation ajoute n'importe quel serveur Linux joignable en SSH, et Databench y installe un nœud. Les machines se partagent par équipe, une machine à GPU sert donc ceux qui en ont besoin sans compte séparé sur un cluster. Chaque chat tourne dans son propre bac à sable avec gVisor et des règles nftables qui laissent tranquilles les autres services de l'hôte.
Une passerelle de modèles avec clés de modèle personnelles
Les chats atteignent Anthropic, OpenAI ou Bedrock par une passerelle qui utilise les clés que vous fournissez. Rien n'est revendu et aucun quota partagé ne s'interpose entre votre équipe et le fournisseur. Changer de clé ou de fournisseur relève de votre configuration, pas d'un ticket au support.
Organisations, équipes et journal des permissions
La connexion par mot de passe couvre les organisations, les équipes imbriquées, les invitations et les rôles. Une couche d'autorisation unique classe chaque action et enregistre la décision, ce qui laisse une trace au relecteur quand l'agent propose une opération destructrice. C'est la pièce qui rend la plateforme data agentique utilisable avec des prestataires et des auditeurs.
Fichiers partagés et CLI
Chaque organisation dispose d'un lecteur partagé avec édition en direct, partage et corbeille : un CSV déposé par un collègue est disponible pour tous les notebooks de l'espace. La CLI alkera lance un démon local et parle JSON-RPC avec l'application web, ce qui permet de travailler au terminal sans perdre la session partagée.
Avantages et inconvénients
Avantages
- Licence Apache-2.0 sans coût par siège : l'équipe s'en sort pour le prix des serveurs et des jetons de modèle.
- Les données restent sur une infrastructure que vous enregistrez, y compris un Docker local pour les premiers essais.
- Les modifications de l'agent sont visibles dans le notebook pendant qu'elles se font, ce qui intègre la relecture au flux de travail.
- Fournir vos propres clés garde le choix du fournisseur et la facture sous votre contrôle.
- Les notebooks sont des fichiers Python ordinaires, donc le contrôle de version et l'outillage marimo continuent de fonctionner.
Inconvénients
- L'auto-hébergement demande Docker, TLS, gestion des secrets et accès SSH à des serveurs Linux, bien plus qu'un notebook hébergé.
- Le harnais Claude Agent SDK est encore en développement, opencode reste donc le seul qui fonctionne aujourd'hui.
- Les serveurs derrière ufw ou firewalld rejettent le trafic transmis par défaut et le nœud n'ajoute de règles pour aucun des deux : il faut ouvrir les ports à la main.
- Pas d'application mobile ni de serveur Windows. Windows ne concerne que la CLI et son démon.
Questions fréquentes
L'espace de travail open source s'auto-héberge gratuitement sous Apache-2.0, et vous ne payez que les serveurs et les jetons de modèle. La plateforme hébergée d'Alkera ajoute une offre gratuite avec 10 Go de stockage, puis Plus à 50 dollars par mois et Pro à 200 dollars par mois.
Contenus associés
Découvrez des outils, des compétences et des articles liés à Databench by Alkera.
Alternatives à Databench by Alkera
Base Code
Base44 (Wix) · Programmation · ProductivitéBase Code est un environnement de développement cloud partagé signé Base44. Votre équipe décrit des modifications sur un dépôt GitHub dans le chat, les vérifie en aperçu et les renvoie sous forme de pull requests.
Google EmbeddingGemma 2
Google DeepMind · Rédaction · Image · ProgrammationGoogle EmbeddingGemma 2 est un modèle ouvert de 740 millions de paramètres qui transforme texte, code, images, audio et images vidéo en vecteurs d'un même espace de 768 dimensions, sur un téléphone ou un ordinateur portable.
GitGlow
GitGlow · Programmation · ProductivitéGitGlow est un client Git de bureau qui place votre code et les modifications de vos agents IA dans une même revue, pour savoir ce qui quitte votre machine avant de livrer.