SQLModel: ORM Modern Python untuk Aplikasi AI yang Type-Safe

Dalam pengembangan aplikasi AI/ML, pengelolaan data di database adalah komponen krusial. Dari menyimpan hasil eksperimen, mengelola model registry, hingga tracking dataset versioning, semuanya membutuhkan interaksi database yang efisien dan type-safe. SQLModel, yang dibuat oleh Sebastián Ramírez (kreator FastAPI), menggabungkan kekuatan SQLAlchemy dan Pydantic untuk memberikan pengalaman ORM terbaik di Python.

Dalam tutorial ini, kita akan mempelajari SQLModel secara mendalam dan membangun sistem ML experiment tracking dan model registry yang siap produksi.

Apa Itu SQLModel?

SQLModel adalah library Python yang menggabungkan SQLAlchemy (ORM paling populer di Python) dengan Pydantic (library validasi data). Hasilnya adalah ORM yang:

• Type-safe: Full type hints dan autocompletion di IDE
• Validasi otomatis: Data divalidasi sebelum masuk database
• Kompatibel dengan FastAPI: Integrasi seamless karena kreator yang sama
• Sederhana: Satu class untuk model database DAN schema API
• Powerful: Akses penuh ke fitur SQLAlchemy jika dibutuhkan

Instalasi dan Setup

Instalasi SQLModel

pip install sqlmodel

Untuk database spesifik:

# PostgreSQL
pip install sqlmodel psycopg2-binary

MySQL
pip install sqlmodel pymysql

Async support
pip install sqlmodel aiosqlite asyncpg

Verifikasi
python -c "import sqlmodel; print(sqlmodel.version)"

Setup Database Engine

from sqlmodel import createengine, SQLModel

SQLite (development)
sqliteurl = "sqlite:///./mltracking.db"

engine = createengine(sqliteurl, echo=True)


PostgreSQL (production)
postgresurl = "postgresql://user:password@localhost:5432/mltracking"

engine = createengine(postgresurl, echo=False, poolsize=20, maxoverflow=10)


Buat semua tabel
SQLModel.metadata.createall(engine)

Definisi Model

Model Dasar

from sqlmodel import Field, SQLModel, Session, select
from typing import Optional
from datetime import datetime
import uuid

class Experiment(SQLModel, table=True):
    """Model untuk ML Experiment"""
    id: Optional[int] = Field(default=None, primarykey=True)

    name: str = Field(index=True, minlength=1, maxlength=255)

    description: Optional[str] = Field(default=None, maxlength=1000)
    datasetname: str = Field(index=True)

    algorithm: str
    hyperparameters: Optional[str] = Field(default=None)  # JSON string
    accuracy: Optional[float] = Field(default=None, ge=0.0, le=1.0)
    loss: Optional[float] = Field(default=None, ge=0.0)
    status: str = Field(default="created", index=True)
    createdat: datetime = Field(defaultfactory=datetime.utcnow)

    updatedat: Optional[datetime] = Field(default=None)
    createdby: str = Field(default="system")


class MLModel(SQLModel, table=True):
    """Model untuk Model Registry"""
    tablename = "mlmodels"

    id: Optional[int] = Field(default=None, primarykey=True)

    name: str = Field(index=True, unique=True)
    version: str = Field(default="1.0.0")
    framework: str  # pytorch, tensorflow, sklearn, etc.
    modelpath: str
    filesizemb: Optional[float] = Field(default=None)
    inputschema: Optional[str] = Field(default=None)

    outputschema: Optional[str] = Field(default=None)
    isactive: bool = Field(default=True, index=True)

    createdat: datetime = Field(defaultfactory=datetime.utcnow)


class Dataset(SQLModel, table=True):
    """Model untuk Dataset Registry"""
    id: Optional[int] = Field(default=None, primarykey=True)
    name: str = Field(index=True)
    version: str = Field(default="1.0")
    filepath: str

    rowcount: Optional[int] = Field(default=None)
    columncount: Optional[int] = Field(default=None)

    fileformat: str = Field(default="csv")
    description: Optional[str] = Field(default=None)
    createdat: datetime = Field(defaultfactory=datetime.utcnow)