Snowflake'in yeni Ontology Stack Builder'ı, bilgi grafiği destekli bir veri modeli oluşturma süresini aylardan yaklaşık bir saate indirerek, büyük dil modellerine (LLM'ler) sorguları doğru yanıtlamak için ihtiyaç duydukları iş bağlamını sağlıyor.
Üretken yapay zekayı veri ambarlarının üzerine katmanlamayı deneyen işletmeler sürekli bir engelle karşılaşıyor: Modeller, kararları yönlendiren gerçek dünyadaki varlıkları (insanlar, ekipler, sözleşmeler) değil, yalnızca satırları ve sütun adlarını görüyor. Semantik bir köprü olmadan, yapay zeka tarafından oluşturulan SQL gürültülü hale geliyor, mantık hataları ortaya çıkıyor ve güven skorları yanıltıcı olmaya başlıyor.
Ham tablolar LLM'leri neden şaşırtıyor?
Tipik bir veri ambarı, bilgileri yabancı anahtarlarla (foreign keys) birbirine bağlı normalize edilmiş tablolarda saklar. Sütun adları genellikle kısaltmalardan veya şirket içi jargonlardan oluşur. Web metinleri üzerinde eğitilmiş bir LLM, iş bağlamında “EMP_ID” veya “CNTRCT_AMT” gibi ifadeleri hiç görmemiştir; bu nedenle “Geçen çeyrekte en büyük anlaşmaları hangi satış temsilcileri kapattı?” diye sorulduğunda, önce her alanın anlamını çıkarmalı, ardından birkaç tablo arasında doğru bir birleştirme (join) işlemi yapmalıdır. Sonuç, kulağa mantıklı gelen ancak yanlış olan cevaplar üretebilen bir tahminler silsilesidir.
Bir taslak olarak ontoloji
Bir ontoloji, sınıfları (örneğin; Kişi, Organizasyon, Sözleşme) ve bunlar arasında var olabilecek ilişkileri (Kişi, Organizasyon için çalışır) tanımlar. Bu ontolojiden oluşturulan bilgi grafiği, somut gerçekleri (John Doe, Acme Inc. için çalışır; bir sözleşme Acme Inc.'e aittir) saklar ve yapay zekanın ham sütun tanımlayıcıları yerine bu üst düzey kavramlar üzerinden muhakeme yapmasına olanak tanır.
Snowflake'in beş katmanlı yaklaşımı
Snowflake'in bir veri ambarını ontoloji odaklı bir sisteme dönüştürmek için kullandığı mimari beş katmandan oluşur:
- Katman 1: Fiziksel depolama – İki temel tablo, düğümleri (varlıklar) ve kenarları (ilişkiler) tutar. Yeni bir varlık türü eklemek şema değişikliği gerektirmez, yalnızca yeni satırlar eklenmesi yeterlidir.
- Katman 2: Meta veri yapılandırması – İlişkiler, sabit kodlanmış SQL yerine yapılandırma dosyaları aracılığıyla tanımlanır; bu da modeli taşınabilir ve bakımı daha kolay hale getirir.
- Katman 3: Otomatik derleyici – Derleyici, meta verileri okur ve somut tabloları anlık olarak soyut kavramlarla eşleştiren birleşik görünümler (unified views) oluşturur.
- Katman 4: Amaca yönelik modeller – Bir model hızlı gerçek getirme (fact retrieval) işlemini optimize ederken, bir diğeri grafik genelinde soyut muhakemeyi destekler, üçüncüsü ise yönetişim ve izinleri uygular.
- Katman 5: Cortex ajan katmanı – Akıllı bir yönlendirme motoru, kullanıcının niyetine bağlı olarak hangi temel modelin sorgulanacağına karar verir.
Bu katmanları elle inşa etmek; veri modelleme, şema analizi ve özel kod yazımı gibi süreçler nedeniyle genellikle aylar sürer. Snowflake'in Ontology Stack Builder'ı bu işin büyük bir kısmını otomatikleştirir.
Stack Builder nasıl çalışır?
Araç; mevcut bir Snowflake şemasını tarayan, olası varlık türlerini ve ilişkileri öneren ve analistlerin bunları görsel bir düzenleyicide onaylamasına veya ayarlamasına olanak tanıyan etkileşimli bir iş akışı başlatır. Ontoloji tanımlandıktan sonra Builder; düğüm/kenar tablolarını oluşturur, meta verileri doldurur ve birleşik görünümleri üretmek için otomatik derleyiciyi çalıştırır. Tüm boru hattı (pipeline), orta ölçekli bir veri ambarı için bir saatten kısa sürede kurulabilir.
İşletmeler ne kazanır?
- Daha hızlı yapay zeka entegrasyonu – Ekipler, ham SQL oluşturmakla uğraşmak yerine LLM'leri semantik açıdan zengin bir katmana bağlar.
- Azaltılmış bakım maliyeti – Yeni bir veri kaynağı eklemek, yalnızca düğüm/kenar tablolarına satır eklemeyi gerektirir; meta veriler ve derlenmiş görünümler otomatik olarak güncellenir.
- Yerleşik yönetişim – Özel izin modeli, hangi varlıkların kimler tarafından görülebileceğini denetler; bu, düzenlemeye tabi sektörler için kritik bir özelliktir.
Özet
Snowflake, aylar süren ve yoğun manuel çaba gerektiren modelleme sürecini bir saatlik bir iş akışına dönüştürerek, işletmelere LLM'lere ihtiyaç duydukları iş semantiğini kazandırmaları için pratik bir yol sunuyor. Sonuç, niyeti anlayan bir yapay zekadır.