Snowflake-ன் புதிய Ontology Stack Builder, அறிவு வரைபடத்தால் (knowledge-graph) ஆதரிக்கப்படும் தரவு மாதிரியை (data model) உருவாக்குவதற்கான நேரத்தை மாதங்களிலிருந்து சுமார் ஒரு மணிநேரமாகக் குறைக்கிறது. இது பெரிய மொழி மாதிரிகளுக்கு (LLMs) கேள்விகளுக்குத் துல்லியமாகப் பதிலளிக்கத் தேவையான வணிகச் சூழலை (business context) வழங்குகிறது.

தங்கள் தரவு சேமிப்பகங்களின் (data warehouses) மேல் உருவாக்கும் செயற்கை நுண்ணறிவை (generative AI) அடுக்குவதற்கு முயற்சிக்கும் நிறுவனங்கள் ஒரு தடையைச் சந்திக்கின்றன: மாதிரிகள் வரிசைகளையும் (rows) மற்றும் நெடுவரிசைப் பெயர்களையும் (column names) மட்டுமே பார்க்கின்றன; முடிவுகளைத் தீர்மானிக்கும் நிஜ உலகப் பொருள்கள் (entities)—மக்கள், குழுக்கள், ஒப்பந்தங்கள்—அவற்றைப் பார்ப்பதில்லை. ஒரு பொருள் சார்ந்த பாலம் (semantic bridge) இல்லையெனில், AI-ஆல் உருவாக்கப்பட்ட SQL குழப்பமடைகிறது, தர்க்கப் பிழைகள் (logic errors) நுழைகின்றன, மேலும் நம்பகத்தன்மை மதிப்பெண்கள் (confidence scores) தவறாக வழிநடத்துகின்றன.

ஏன் மூல அட்டவணைகள் (raw tables) LLM-களைக் குழப்புகின்றன

ஒரு பொதுவான தரவு சேமிப்பகம், வெளிநாட்டுச் சாவிகளால் (foreign keys) இணைக்கப்பட்ட இயல்பாக்கப்பட்ட அட்டவணைகளில் (normalized tables) தகவல்களைச் சேமிக்கிறது. நெடுவரிசைப் பெயர்கள் பெரும்பாலும் சுருக்கங்கள் அல்லது உள்நாட்டுச் சொற்களாக (internal jargon) இருக்கும். இணைய உரைகளைக் கொண்டு பயிற்சி பெற்ற ஒரு LLM, வணிகச் சூழலில் “EMP_ID” அல்லது “CNTRCT_AMT” போன்றவற்றை ஒருபோதும் பார்த்திருக்காது. எனவே, “கடந்த காலாண்டில் எந்த விற்பனைப் பிரதிநிதிகள் மிகப்பெரிய ஒப்பந்தங்களை முடித்தனர்?” என்று கேட்கப்படும்போது, அது முதலில் ஒவ்வொரு புலத்தின் (field) பொருளையும் ஊகிக்க வேண்டும், பின்னர் பல அட்டவணைகளில் சரியான இணைப்பை (join) உருவாக்க வேண்டும். இதன் விளைவாகத் தொடர்ச்சியான ஊகங்கள் ஏற்பட்டு, பார்ப்பதற்குச் சரியாகத் தோன்றும் ஆனால் தவறான பதில்கள் உருவாகின்றன.

ஒரு வரைபடமாக (blueprint) Ontology

ஒரு Ontology என்பது வகுப்புகளை (உதாரணமாக, Person, Organization, Contract) மற்றும் அவற்றுக்கிடையே இருக்கக்கூடிய உறவுகளை (Person works for Organization) வரையறுக்கிறது. அந்த Ontology-யிலிருந்து உருவாக்கப்பட்ட அறிவு வரைபடம் (knowledge graph), உறுதியான உண்மைகளைச் சேமிக்கிறது—John Doe என்பவர் Acme Inc.-ல் பணிபுரிகிறார், ஒரு ஒப்பந்தம் Acme Inc.-க்குச் சொந்தமானது—மேலும் இது AI-ஐ மூல நெடுவரிசை அடையாளங்களுக்குப் பதிலாக, அந்த உயர்நிலை கருத்துக்களின் அடிப்படையில் சிந்திக்கும்படி செய்கிறது.

Snowflake-ன் ஐந்து அடுக்கு அணுகுமுறை

ஒரு தரவு சேமிப்பகத்தை Ontology-ஆல் இயக்கப்படும் அமைப்பாக மாற்றுவதற்கான Snowflake-ன் கட்டமைப்பு ஐந்து அடுக்குகளைக் கொண்டுள்ளது:

  • அடுக்கு 1: இயற்பியல் சேமிப்பு (Physical storage) – இரண்டு முக்கிய அட்டவணைகள் முனைகளையும் (nodes/entities) மற்றும் விளிம்புகளையும் (edges/relationships) கொண்டுள்ளன. ஒரு புதிய பொருளின் வகையைச் சேர்ப்பதற்கு ஸ்கீமா (schema) மாற்றங்கள் தேவையில்லை, புதிய வரிசைகளை மட்டும் சேர்த்தால் போதும்.
  • அடுக்கு 2: மெட்டாடேட்டா கட்டமைப்பு (Metadata configuration) – உறவுகள் கடினமான SQL மூலம் வரையறுக்கப்படாமல், கட்டமைப்பு கோப்புகள் (configuration files) மூலம் அறிவிக்கப்படுகின்றன, இது மாதிரியை எளிதில் இடமாற்றம் செய்யவும் பராமரிக்கவும் உதவுகிறது.
  • அடுக்கு 3: தானியங்கி கம்பைலர் (Automatic compiler) – இந்த கம்பைலர் மெட்டாடேட்டாவைப் படித்து, உறுதியான அட்டவணைகளை அருவமான கருத்துக்களுடன் (abstract concepts) உடனடியாக இணைக்கும் ஒருங்கிணைந்த பார்வைகளை (unified views) உருவாக்குகிறது.
  • அடுக்கு 4: குறிப்பிட்ட நோக்கங்களுக்கான மாதிரிகள் (Purpose-built models) – ஒரு மாதிரி விரைவான உண்மைத் தகவல்களைப் பெற உதவுகிறது, மற்றொன்று வரைபடம் முழுவதும் அருவமான சிந்தனைக்கு (abstract reasoning) ஆதரவளிக்கிறது, மற்றும் மூன்றாவது நிர்வாகம் (governance) மற்றும் அனுமதிகளை (permissions) உறுதி செய்கிறது.
  • அடுக்கு 5: Cortex agent அடுக்கு – ஒரு புத்திசாலித்தனமான ரூட்டிங் இன்ஜின் (routing engine), பயனரின் நோக்கத்தின் அடிப்படையில் எந்த மாதிரியைத் தொடர்பு கொள்ள வேண்டும் என்பதைத் தீர்மானிக்கிறது.

இந்த அடுக்குகளைக் கைமுறையாக உருவாக்குவது பொதுவாக தரவு மாதிரியாக்கம் (data-modeling), ஸ்கீமா பகுப்பாய்வு மற்றும் தனிப்பயன் குறியீடு (custom code) ஆகியவற்றைக் கொண்டு பல மாதங்கள் நீடிக்கும். Snowflake-ன் Ontology Stack Builder அந்த வேலையின் பெரும்பகுதியைத் தானியக்கமாக்குகிறது.

Stack Builder எவ்வாறு செயல்படுகிறது

இந்தத் கருவி ஒரு ஊடாடும் பணிப்பாய்வைத் (interactive workflow) தொடங்குகிறது; இது ஏற்கனவே உள்ள Snowflake ஸ்கீமாவை ஸ்கேன் செய்து, சாத்தியமான பொருள் வகைகள் மற்றும் உறவுகளைப் பரிந்துரைக்கிறது, மேலும் ஆய்வாளர்கள் அவற்றை ஒரு காட்சி எடிட்டரில் (visual editor) உறுதிப்படுத்த அல்லது மாற்றியமைக்க அனுமதிக்கிறது. Ontology வரையறுக்கப்பட்டதும், Builder முனைகள்/விளிம்பு அட்டவணைகளை (node/edge tables) உருவாக்குகிறது, மெட்டாடேட்டாவைப் நிரப்புகிறது மற்றும் ஒருங்கிணைந்த பார்வைகளை உருவாக்க தானியங்கி கம்பைலரை இயக்குகிறது. ஒரு நடுத்தர அளவிலான தரவு சேமிப்பகத்திற்கு, இந்த முழுமையான செயல்முறையையும் ஒரு மணிநேரத்திற்குள் உருவாக்கிவிட முடியும்.

நிறுவனங்கள் எதைப் பெறுகின்றன

  • வேகமான AI ஒருங்கிணைப்பு – குழுக்கள் மூல SQL உருவாக்கத்துடன் போராடுவதற்குப் பதிலாக, LLM-களை ஒரு பொருள் சார்ந்த செழுமையான அடுக்கில் இணைக்கின்றன.
  • குறைந்த பராமரிப்பு – ஒரு புதிய தரவு மூலத்தைச் சேர்ப்பதற்கு முனைகள்/விளிம்பு அட்டவணைகளில் வரிசைகளைச் சேர்த்தால் போதுமானது; மெட்டாடேட்டா மற்றும் கம்பைல் செய்யப்பட்ட பார்வைகள் தானாகவே புதுப்பிக்கப்படும்.
  • உள்ளமைக்கப்பட்ட நிர்வாகம் (Governance) – பிரத்யேக அனுமதி மாதிரி (permissions model) யார் எந்தப் பொருள்களைப் பார்க்கலாம் என்பதை உறுதி செய்கிறது, இது ஒழுங்குமுறைப்படுத்தப்பட்ட தொழில்துறைகளுக்கு (regulated industries) ஒரு முக்கியமான அம்சமாகும்.

முக்கியக் கருத்து

பல மாதங்கள் நீடிக்கும், கைமுறையாகச் செய்ய வேண்டிய கடினமான மாதிரியாக்க முயற்சியை ஒரு மணிநேரப் பணிப்பாய்வாக மாற்றுவதன் மூலம், LLM-களுக்குத் தேவையான வணிகப் பொருளியலை (business semantics) வழங்க Snowflake நிறுவனங்களுக்கு ஒரு நடைமுறை வழியை வழங்குகிறது. இதன் விளைவாக, பயனரின் நோக்கத்தைப் புரிந்துகொள்ளும் ஒரு AI உருவாகிறது.