يقلل Ontology Stack Builder الجديد من Snowflake الوقت اللازم لبناء نموذج بيانات مدعوم برسم بياني معرفي (knowledge graph) من أشهر إلى حوالي ساعة واحدة، مما يمنح النماذج اللغوية الكبيرة (LLMs) السياق التجاري الذي تحتاجه للإجابة على الاستفسارات بدقة.

تواجه الشركات التي حاولت دمج الذكاء الاصطناعي التوليدي فوق مستودعات البيانات الخاصة بها عقبة مستمرة: فالنماذج ترى الصفوف وأسماء الأعمدة، وليس الكيانات الواقعية — مثل الأشخاص والفرق والعقود — التي تقود القرارات. وبدون جسر دلالي (semantic bridge)، تصبح لغة SQL التي يولدها الذكاء الاصطناعي مشوشة، وتتسلل الأخطاء المنطقية، وتصبح درجات الثقة مضللة.

لماذا تسبب الجداول الخام ارتباكاً للنماذج اللغوية الكبيرة (LLMs)

يقوم مستودع البيانات النموذجي بتخزين المعلومات في جداول مُطبعة (normalized tables) مرتبطة بمفاتيح خارجية (foreign keys). وغالباً ما تكون أسماء الأعمدة عبارة عن اختصارات أو مصطلحات داخلية. إن النموذج اللغوي الكبير (LLM) المدرب على نصوص الويب لم يرَ قط "EMP_ID" أو "CNTRCT_AMT" في سياق تجاري، لذا عندما يُسأل "أي من مندوبي المبيعات أغلق أكبر الصفقات في الربع الأخير؟"، يجب عليه أولاً استنتاج معنى كل حقل، ثم تجميع عملية ربط (join) صحيحة عبر عدة جداول. والنتيجة هي سلسلة من التخمينات التي قد تنتج إجابات تبدو منطقية ولكنها خاطئة.

الأنطولوجيا (Ontology) كمخطط توجيهي

تُعرف الأنطولوجيا الفئات (مثل: شخص، منظمة، عقد) والعلاقات التي يمكن أن توجد بينها (شخص يعمل لدى منظمة). ويقوم الرسم البياني المعرفي (knowledge graph) المبني على تلك الأنطولوجيا بتخزين حقائق ملموسة — مثل "جون دو يعمل لدى شركة Acme Inc" أو "عقد ينتمي إلى شركة Acme Inc" — مما يسمح للذكاء الاصطناعي بالاستنتاج بناءً على تلك المفاهيم عالية المستوى بدلاً من معرفات الأعمدة الخام.

نهج Snowflake المكون من خمس طبقات

تعتمد بنية Snowflake لتحويل مستودع البيانات إلى نظام مدفوع بالأنطولوجيا على خمس طبقات متراكمة:

  • الطبقة 1: التخزين المادي (Physical storage) – يحتوي جدولان أساسيان على العقد (الكيانات) والحواف (العلاقات). ولا يتطلب إضافة نوع كيان جديد تغييرات في المخطط (schema)، بل يتطلب فقط صفوفاً جديدة.
  • الطبقة 2: تكوين البيانات الوصفية (Metadata configuration) – يتم التصريح عن العلاقات عبر ملفات التكوين بدلاً من كتابة SQL بشكل ثابت، مما يجعل النموذج قابلاً للنقل وأسهل في الصيانة.
  • الطبقة 3: المترجم التلقائي (Automatic compiler) – يقرأ المترجم البيانات الوصفية وينشئ عروضاً موحدة (unified views) تربط الجداول الملموسة بالمفاهيم المجردة بشكل فوري.
  • الطبقة 4: نماذج مخصصة لأغراض محددة (Purpose-built models) – يعمل نموذج واحد على تحسين الاسترجاع السريع للحقائق، ويدعم نموذج آخر الاستنتاج المجرد عبر الرسم البياني، بينما يفرض نموذج ثالث الحوكمة والأذونات.
  • الطبقة 5: طبقة وكيل Cortex (Cortex agent layer) – يقرر محرك توجيه ذكي أي نموذج أساسي يجب استعلامه بناءً على قصد المستخدم.

عادة ما يستغرق بناء هذه الطبقات يدوياً عدة أشهر، حيث يتضمن نمذجة البيانات، وتحليل المخططات، وكتابة أكواد مخصصة. وتقوم أداة Ontology Stack Builder من Snowflake بأتمتة معظم هذا العمل.

كيف تعمل أداة Stack Builder

تطلق الأداة سير عمل تفاعلي يقوم بفحص مخطط Snowflake الحالي، ويقترح أنواع الكيانات والعلاقات الممكنة، ويسمح للمحللين بتأكيدها أو تعديلها في محرر مرئي. وبمجرد تحديد الأنطولوجيا، تقوم الأداة بإنشاء جداول العقد/الحواف (node/edge tables)، وتعبئة البيانات الوصفية، وتشغيل المترجم التلقائي لإنتاج العروض الموحدة. يمكن تجميع خط الإنتاج بأكمله في أقل من ساعة لمستودع بيانات متوسط الحجم.

ما الذي تجنيه الشركات

  • تكامل أسرع للذكاء الاصطناعي – تقوم الفرق بربط النماذج اللغوية الكبيرة (LLMs) بطبقة غنية دلالياً بدلاً من الصراع مع توليد لغة SQL الخام.
  • تقليل الصيانة – يتطلب إضافة مصدر بيانات جديد فقط إدراج صفوف في جداول العقد/الحواف؛ حيث يتم تحديث البيانات الوصفية والعروض المجمعة تلقائياً.
  • حوكمة مدمجة – يفرض نموذج الأذونات المخصص من يمكنه رؤية أي كيانات، وهي ميزة حاسمة للصناعات الخاضعة للوائح التنظيمية.

الخلاصة

من خلال تحويل جهد النمذجة اليدوي المكثف الذي يستغرق شهوراً إلى سير عمل مدته ساعة واحدة، تمنح Snowflake الشركات مساراً عملياً لتزويد النماذج اللغوية الكبيرة (LLMs) بالدلالات التجارية التي تحتاجها. والنتيجة هي ذكاء اصطناعي يفهم القصد.