Avec Direct Data Share, les données expérimentales enregistrées dans Benchling peuvent être transférées en continu vers Snowflake, tandis que des données issues d’autres systèmes sont intégrées à leur tour dans l’environnement de R&D.
Les plateformes de recherche accumulent des données issues de sources multiples : expériences, instruments, essais, calculs ou systèmes tiers. Pour les exploiter dans un même environnement, les équipes doivent pouvoir les faire circuler sans perdre leur contexte scientifique ni dépendre de transferts ponctuels. C’est sur cette connexion que Benchling veut agir avec Direct Data Share, une nouvelle fonctionnalité intégrée à Snowflake.
La solution établit un flux bidirectionnel entre les données scientifiques de Benchling et l’environnement Snowflake de chaque entreprise. Les données expérimentales saisies dans Benchling sont transférées sous forme de tables prêtes à être interrogées et actualisées en quelques minutes. Dans l’autre sens, les données d’instruments, d’essais, de calculs ou de sources tierces déjà stockées dans Snowflake peuvent être intégrées à Benchling, aux côtés des expériences et de leur contexte scientifique.
La connexion ne nécessite pas la création d’un pipeline d’export spécifique. Les équipes informatiques et data relient une seule fois leur compte Snowflake à Benchling. Elles n’ont pas à reconstruire ni à maintenir un flux d’export lorsque le modèle de données scientifiques évolue. Les administrateurs peuvent également définir qui est autorisé à lancer les synchronisations et à gérer les connexions, afin de tenir compte des exigences de sécurité et de conformité.
Ce flux doit permettre aux équipes de rapprocher les données expérimentales des autres informations disponibles dans l’organisation. Les résultats d’analyses ou de modèles peuvent ensuite être remis à disposition des chercheurs dans Benchling, avec le contexte associé à leurs expériences. Les équipes peuvent ainsi exploiter les résultats dans leur environnement de travail habituel.
« L’IA ouvre de nouvelles perspectives en R&D, mais elle a besoin d’une structure complète et cohérente pour exprimer tout son potentiel », déclare Derek Halliday, Head of Product chez Benchling. « Le temps nécessaire pour synchroniser les données entre deux sources ne doit pas freiner une prise de décision efficace. Avec Direct Data Share, Benchling maintient les données des chercheurs à jour de façon fluide, afin d’aider les équipes scientifiques et informatiques à répondre aux besoins des laboratoires de demain. »
À la différence des AI Connectors, conçus pour fournir à un agent ou à une application le contexte utile à une interaction, Direct Data Share vise les analyses continues à grande échelle. Les équipes peuvent interroger des millions de lignes, les croiser avec des données d’autres systèmes et les réutiliser dans des workflows d’analyse et de modélisation.
