Snowflake’s new Ontology Stack Builder giúp rút ngắn thời gian xây dựng mô hình dữ liệu dựa trên đồ thị tri thức (knowledge graph) từ hàng tháng xuống còn khoảng một giờ, cung cấp cho các mô hình ngôn ngữ lớn (LLM) ngữ cảnh kinh doanh cần thiết để trả lời các truy vấn một cách chính xác.

Các doanh nghiệp khi cố gắng áp dụng AI tạo sinh (generative AI) lên kho dữ liệu (data warehouse) của mình thường xuyên gặp phải một rào cản: các mô hình chỉ nhìn thấy các hàng và tên cột, chứ không thấy được các thực thể trong thế giới thực—như con người, đội ngũ, hợp đồng—những thứ vốn là động lực thúc đẩy các quyết định. Nếu không có một cầu nối ngữ nghĩa (semantic bridge), các câu lệnh SQL do AI tạo ra sẽ trở nên nhiễu loạn, các lỗi logic dần xuất hiện và điểm số tin cậy (confidence scores) trở nên sai lệch.

Tại sao các bảng dữ liệu thô lại gây nhầm lẫn cho LLM

Một kho dữ liệu điển hình lưu trữ thông tin trong các bảng đã được chuẩn hóa (normalized tables) liên kết với nhau bằng các khóa ngoại (foreign keys). Tên cột thường là các từ viết tắt hoặc thuật ngữ nội bộ. Một LLM được huấn luyện trên văn bản web chưa bao giờ thấy “EMP_ID” hay “CNTRCT_AMT” trong ngữ cảnh kinh doanh, vì vậy khi được hỏi “Nhân viên bán hàng nào đã chốt được những hợp đồng lớn nhất trong quý trước?”, nó phải suy luận ý nghĩa của từng trường dữ liệu, sau đó mới lắp ghép các phép nối (join) chính xác giữa nhiều bảng. Kết quả là một chuỗi các phỏng đoán có thể tạo ra những câu trả lời trông có vẻ hợp lý nhưng thực chất lại sai.

Ontology đóng vai trò như một bản thiết kế

Một ontology định nghĩa các lớp (ví dụ: Person, Organization, Contract) và các mối quan hệ có thể tồn tại giữa chúng (Person làm việc cho Organization). Đồ thị tri thức được xây dựng từ ontology đó sẽ lưu trữ các sự thật cụ thể—John Doe làm việc cho Acme Inc., một hợp đồng thuộc về Acme Inc.—và cho phép AI suy luận dựa trên các khái niệm cấp cao đó thay vì các định danh cột thô.

Cách tiếp cận năm lớp của Snowflake

Kiến trúc của Snowflake để biến một kho dữ liệu thành một hệ thống vận hành bằng ontology bao gồm năm lớp xếp chồng lên nhau:

  • Layer 1: Physical storage – Hai bảng cốt lõi chứa các nút (thực thể) và các cạnh (mối quan hệ). Việc thêm một loại thực thể mới không yêu cầu thay đổi lược đồ (schema), mà chỉ cần thêm các hàng mới.
  • Layer 2: Metadata configuration – Các mối quan hệ được khai báo thông qua các tệp cấu hình thay vì mã SQL được viết cứng, giúp mô hình có tính linh động và dễ bảo trì hơn.
  • Layer 3: Automatic compiler – Trình biên dịch đọc siêu dữ liệu và tạo ra các view thống nhất, giúp ánh xạ các bảng cụ thể sang các khái niệm trừu tượng ngay lập tức.
  • Layer 4: Purpose-built models – Một mô hình tối ưu hóa việc truy xuất sự thật nhanh chóng, một mô hình khác hỗ trợ suy luận trừu tượng trên đồ thị, và mô hình thứ ba thực thi quản trị và quyền truy cập.
  • Layer 5: Cortex agent layer – Một công cụ định tuyến thông minh sẽ quyết định truy vấn mô hình nền tảng nào dựa trên ý định của người dùng.

Việc xây dựng các lớp này bằng tay thường kéo dài hàng tháng, bao gồm mô hình hóa dữ liệu, phân tích lược đồ và viết mã tùy chỉnh. Ontology Stack Builder của Snowflake tự động hóa hầu hết các công việc đó.

Cách thức hoạt động của Stack Builder

Công cụ này khởi chạy một quy trình làm việc tương tác giúp quét lược đồ Snowflake hiện có, đề xuất các loại thực thể và mối quan hệ khả thi, đồng thời cho phép các nhà phân tích xác nhận hoặc điều chỉnh chúng trong một trình chỉnh sửa trực quan. Sau khi ontology được xác định, Builder sẽ tạo ra các bảng nút/cạnh, đổ dữ liệu vào siêu dữ liệu và kích hoạt trình biên dịch tự động để tạo ra các view thống nhất. Toàn bộ quy trình có thể được thiết lập trong chưa đầy một giờ đối với một kho dữ liệu có quy mô trung bình.

Những gì doanh nghiệp nhận được

  • Tích hợp AI nhanh hơn – Các đội ngũ có thể kết nối LLM vào một lớp giàu ngữ nghĩa thay vì phải vật lộn với việc tạo SQL thô.
  • Giảm thiểu bảo trì – Việc thêm một nguồn dữ liệu mới chỉ yêu cầu chèn thêm các hàng vào các bảng nút/cạnh; siêu dữ liệu và các view đã biên dịch sẽ tự động cập nhật.
  • Tích hợp sẵn quản trị – Mô hình phân quyền chuyên dụng thực thi việc ai có thể xem thực thể nào, một tính năng quan trọng đối với các ngành nghề chịu sự quản lý chặt chẽ.

Kết luận

Bằng cách biến nỗ lực mô hình hóa thủ công kéo dài hàng tháng thành một quy trình làm việc chỉ mất một giờ, Snowflake mang đến cho các doanh nghiệp một lộ trình thực tế để cung cấp cho LLM các ngữ nghĩa kinh doanh cần thiết. Kết quả là một AI có khả năng hiểu được ý định.