ابزار جدید Ontology Stack Builder شرکت Snowflake، زمان ساخت یک مدل داده مبتنی بر گراف دانش (knowledge-graph-backed) را از چندین ماه به حدود یک ساعت کاهش میدهد و به مدلهای زبانی بزرگ (LLMs) بافتار کسبوکار (business context) مورد نیاز برای پاسخگویی دقیق به پرسوجوها را ارائه میدهد.
سازمانهایی که سعی کردهاند هوش مصنوعی مولد را بر روی انبارهای داده (data warehouses) خود پیادهسازی کنند، مدام با یک مانع روبرو میشوند: مدلها سطرها و نام ستونها را میبینند، نه موجودیتهای دنیای واقعی — مانند افراد، تیمها یا قراردادها — که تصمیمگیرندهها را هدایت میکنند. بدون یک پل معنایی (semantic bridge)، دستورات SQL تولید شده توسط هوش مصنوعی پر از نویز میشوند، خطاهای منطقی رخ میدهند و امتیازهای اطمینان (confidence scores) گمراهکننده میشوند.
چرا جداول خام باعث سردرگمی LLMها میشوند
یک انبار داده معمولی، اطلاعات را در جداول نرمالشده (normalized tables) که توسط کلیدهای خارجی (foreign keys) به هم متصل شدهاند، ذخیره میکند. نام ستونها اغلب به صورت مخفف یا اصطلاحات داخلی هستند. یک LLM که بر روی متنهای وب آموزش دیده است، هرگز اصطلاحاتی مانند “EMP_ID” یا “CNTRCT_AMT” را در یک بافتار کسبوکار ندیده است؛ بنابراین وقتی از آن پرسیده میشود: «کدام نمایندگان فروش در فصل گذشته بزرگترین قراردادها را بستهاند؟»، ابتدا باید معنای هر فیلد را استنباط کند و سپس یک اتصال (join) صحیح بین چندین جدول برقرار کند. نتیجه، زنجیرهای از حدسهاست که میتواند پاسخهایی بهظاهر منطقی اما اشتباه تولید کند.
هستیشناسی (Ontology) به عنوان یک نقشه راه
یک هستیشناسی (ontology)، کلاسها (مثلاً Person، Organization، Contract) و روابطی که میتوانند بین آنها وجود داشته باشد (Person works for Organization) را تعریف میکند. گراف دانش ساخته شده از آن هستیشناسی، واقعیتهای عینی را ذخیره میکند — مانند John Doe works for Acme Inc. یا یک قرارداد متعلق به Acme Inc. است — و به هوش مصنوعی اجازه میدهد به جای استفاده از شناسههای ستونهای خام، بر اساس آن مفاهیم سطح بالاتر استدلال کند.
رویکرد پنجلایه Snowflake
معماری Snowflake برای تبدیل یک انبار داده به یک سیستم مبتنی بر هستیشناسی، شامل پنج لایه است:
- لایه ۱: ذخیرهسازی فیزیکی (Physical storage) – دو جدول اصلی، گرهها (موجودیتها) و یالها (روابط) را نگه میدارند. اضافه کردن یک نوع موجودیت جدید نیازی به تغییر در طرحواره (schema) ندارد و فقط شامل افزودن سطرهای جدید است.
- لایه ۲: پیکربندی متادیتا (Metadata configuration) – روابط به جای استفاده از SQL کدنویسیشده، از طریق فایلهای پیکربندی تعریف میشوند که باعث میشود مدل قابل انتقال و نگهداری آسانتر باشد.
- لایه ۳: کامپایلر خودکار (Automatic compiler) – کامپایلر، متادیتا را میخواند و نماهای یکپارچهای (unified views) ایجاد میکند که جداول عینی را در لحظه به مفاهیم انتزاعی نگاشت (map) میکند.
- لایه ۴: مدلهای اختصاصی (Purpose-built models) – یک مدل برای بهینهسازی بازیابی سریع واقعیتها، مدل دیگر برای پشتیبانی از استدلال انتزاعی در سراسر گراف، و مدل سوم برای اعمال حاکمیت (governance) و مجوزها استفاده میشود.
- لایه ۵: لایه عامل Cortex (Cortex agent layer) – یک موتور مسیریابی هوشمند تصمیم میگیرد که بر اساس قصد کاربر، کدام مدل زیربنایی مورد پرسوجو قرار گیرد.
ساخت دستی این لایهها معمولاً ماهها طول میکشد و شامل مدلسازی داده، تحلیل طرحواره و کدنویسی سفارشی است. ابزار Ontology Stack Builder شرکت Snowflake بیشتر این کارها را خودکار میکند.
نحوه عملکرد Stack Builder
این ابزار یک گردش کار تعاملی را اجرا میکند که طرحواره (schema) موجود در Snowflake را اسکن کرده، انواع موجودیتها و روابط احتمالی را پیشنهاد میدهد و به تحلیلگران اجازه میدهد آنها را در یک ویرایشگر بصری تأیید یا اصلاح کنند. پس از تعریف هستیشناسی، Builder جداول گره/یال را ایجاد کرده، متادیتا را پر میکند و کامپایلر خودکار را برای تولید نماهای یکپارچه فعال میکند. کل این فرآیند برای یک انبار داده با اندازه متوسط، میتواند در کمتر از یک ساعت انجام شود.
دستاوردهای سازمانها
- یکپارچهسازی سریعتر هوش مصنوعی – تیمها به جای کلنجار رفتن با تولید SQL خام، LLMها را به یک لایه غنی از نظر معنایی متصل میکنند.
- کاهش هزینههای نگهداری – افزودن یک منبع داده جدید تنها مستلزم درج سطرها در جداول گره/یال است؛ متادیتا و نماهای کامپایلشده بهطور خودکار بهروزرسانی میشوند.
- حاکمیت داخلیشده (Governance baked in) – مدل مجوزهای اختصاصی تعیین میکند که چه کسی میتواند چه موجودیتهایی را ببیند، که این یک ویژگی حیاتی برای صنایع تحت نظارت است.
جمعبندی
با تبدیل یک تلاش مدلسازی دستی و ماهها طولانی به یک گردش کار یکساعته، Snowflake مسیری عملی را برای سازمانها فراهم میکند تا معنای کسبوکار مورد نیاز LLMها را در اختیار آنها قرار دهند. نتیجه، هوش مصنوعیای است که «قصد» (intent) را درک میکند.