El nuevo Ontology Stack Builder de Snowflake reduce el tiempo necesario para construir un modelo de datos respaldado por un grafo de conocimiento de meses a aproximadamente una hora, proporcionando a los modelos de lenguaje extensos (LLM) el contexto empresarial que necesitan para responder consultas con precisión.

Las empresas que han intentado superponer IA generativa sobre sus almacenes de datos (data warehouses) siguen chocando con un muro: los modelos ven filas y nombres de columnas, no las entidades del mundo real —personas, equipos, contratos— que impulsan las decisiones. Sin un puente semántico, el SQL generado por IA se vuelve ruidoso, se introducen errores lógicos y las puntuaciones de confianza pasan a ser engañosas.

Por qué las tablas en bruto confunden a los LLM

Un almacén de datos típico almacena información en tablas normalizadas vinculadas mediante claves foráneas (foreign keys). Los nombres de las columnas suelen ser abreviaturas o jerga interna. Un LLM entrenado con texto de la web nunca ha visto “EMP_ID” o “CNTRCT_AMT” en un contexto empresarial, por lo que cuando se le pregunta “¿Qué representantes de ventas cerraron los acuerdos más grandes el trimestre pasado?”, primero debe inferir el significado de cada campo y luego ensamblar una unión (join) correcta entre varias tablas. El resultado es una cascada de conjeturas que pueden producir respuestas que parecen plausibles pero son incorrectas.

La ontología como plano de diseño

Una ontología define las clases (p. ej., Persona, Organización, Contrato) y las relaciones que pueden existir entre ellas (Persona trabaja para Organización). El grafo de conocimiento construido a partir de esa ontología almacena hechos concretos —John Doe trabaja para Acme Inc., un contrato pertenece a Acme Inc.— y permite que la IA razone en términos de esos conceptos de alto nivel en lugar de identificadores de columnas en bruto.

El enfoque de cinco capas de Snowflake

La arquitectura de Snowflake para convertir un almacén de datos en un sistema impulsado por ontologías consta de cinco capas:

  • Capa 1: Almacenamiento físico – Dos tablas principales contienen nodos (entidades) y aristas (relaciones). Añadir un nuevo tipo de entidad no requiere cambios en el esquema, solo nuevas filas.
  • Capa 2: Configuración de metadatos – Las relaciones se declaran mediante archivos de configuración en lugar de SQL codificado de forma rígida, lo que hace que el modelo sea portátil y más fácil de mantener.
  • Capa 3: Compilador automático – El compilador lee los metadatos y crea vistas unificadas que mapean tablas concretas con conceptos abstractos sobre la marcha.
  • Capa 4: Modelos diseñados para propósitos específicos – Un modelo optimiza la recuperación rápida de hechos, otro permite el razonamiento abstracto a través del grafo y un tercero aplica la gobernanza y los permisos.
  • Capa 5: Capa de agentes Cortex – Un motor de enrutamiento inteligente decide qué modelo subyacente consultar basándose en la intención del usuario.

Construir estas capas a mano suele prolongarse durante meses, implicando modelado de datos, análisis de esquemas y código personalizado. El Ontology Stack Builder de Snowflake automatiza la mayor parte de ese trabajo.

Cómo funciona el Stack Builder

La herramienta inicia un flujo de trabajo interactivo que escanea un esquema de Snowflake existente, sugiere posibles tipos de entidades y relaciones, y permite a los analistas confirmarlos o ajustarlos en un editor visual. Una vez definida la ontología, el Builder genera las tablas de nodos/aristas, puebla los metadatos y activa el compilador automático para producir las vistas unificadas. Todo el proceso puede ensamblarse en menos de una hora para un almacén de tamaño moderado.

Qué ganan las empresas

  • Integración de IA más rápida – Los equipos conectan los LLM a una capa semánticamente rica en lugar de luchar con la generación de SQL en bruto.
  • Mantenimiento reducido – Añadir una nueva fuente de datos solo requiere insertar filas en las tablas de nodos/aristas; los metadatos y las vistas compiladas se actualizan automáticamente.
  • Gobernanza integrada – El modelo de permisos dedicado aplica quién puede ver qué entidades, una característica crucial para las industrias reguladas.

Conclusión

Al convertir un esfuerzo de modelado manual e intensivo de meses en un flujo de trabajo de una hora, Snowflake ofrece a las empresas un camino práctico para dotar a los LLM de la semántica empresarial que necesitan. El resultado es una IA que comprende la intención.