Ontology Stack Builder baru dari Snowflake memangkas waktu pembuatan model data berbasis knowledge-graph dari berbulan-bulan menjadi sekitar satu jam, memberikan konteks bisnis yang dibutuhkan oleh large language models (LLM) untuk menjawab kueri secara akurat.

Perusahaan yang mencoba menerapkan generative AI di atas data warehouse mereka terus menemui hambatan: model-model tersebut hanya melihat baris dan nama kolom, bukan entitas dunia nyata—seperti orang, tim, kontrak—yang mendorong pengambilan keputusan. Tanpa jembatan semantik, SQL yang dihasilkan AI menjadi berantakan, kesalahan logika mulai bermunculan, dan skor kepercayaan (confidence scores) menjadi menyesatkan.

Mengapa tabel mentah membingungkan LLM

Data warehouse pada umumnya menyimpan informasi dalam tabel-tabel ternormalisasi yang dihubungkan oleh foreign keys. Nama kolom sering kali berupa singkatan atau jargon internal. LLM yang dilatih pada teks web belum pernah melihat “EMP_ID” atau “CNTRCT_AMT” dalam konteks bisnis, sehingga ketika ditanya “Sales rep mana yang menutup kesepakatan terbesar kuartal lalu?”, ia harus menyimpulkan makna dari setiap field terlebih dahulu, lalu menyusun join yang benar di beberapa tabel. Hasilnya adalah rentetan tebakan yang dapat menghasilkan jawaban yang tampak masuk akal tetapi salah.

Ontologi sebagai cetak biru

Sebuah ontologi mendefinisikan kelas (misalnya, Person, Organization, Contract) dan hubungan yang dapat ada di antara mereka (Person bekerja untuk Organization). Knowledge graph yang dibangun dari ontologi tersebut menyimpan fakta konkret—John Doe bekerja untuk Acme Inc., sebuah kontrak milik Acme Inc.—dan memungkinkan AI untuk bernalar menggunakan konsep tingkat tinggi tersebut, alih-alih menggunakan pengidentifikasi kolom mentah.

Pendekatan lima lapis Snowflake

Arsitektur Snowflake untuk mengubah warehouse menjadi sistem berbasis ontologi terdiri dari lima lapisan:

  • Layer 1: Physical storage – Dua tabel inti menyimpan node (entitas) dan edge (hubungan). Menambahkan tipe entitas baru tidak memerlukan perubahan skema, hanya baris baru.
  • Layer 2: Metadata configuration – Hubungan dideklarasikan melalui file konfigurasi alih-alih SQL yang dikodekan secara keras (hard-coded), sehingga model lebih portabel dan lebih mudah dipelihara.
  • Layer 3: Automatic compiler – Compiler membaca metadata dan membuat unified views yang memetakan tabel konkret ke konsep abstrak secara langsung (on the fly).
  • Layer 4: Purpose-built models – Satu model mengoptimalkan pengambilan fakta yang cepat, model lainnya mendukung penalaran abstrak di seluruh graph, dan model ketiga menegakkan tata kelola (governance) serta izin (permissions).
  • Layer 5: Cortex agent layer – Mesin perutean cerdas memutuskan model dasar mana yang akan dikueri berdasarkan maksud (intent) pengguna.

Membangun lapisan-lapisan ini secara manual biasanya memakan waktu berbulan-bulan, melibatkan pemodelan data, analisis skema, dan kode kustom. Ontology Stack Builder dari Snowflake mengotomatiskan sebagian besar pekerjaan tersebut.

Cara kerja Stack Builder

Alat ini menjalankan alur kerja interaktif yang memindai skema Snowflake yang ada, menyarankan tipe entitas dan hubungan yang memungkinkan, serta memungkinkan analis untuk mengonfirmasi atau menyesuaikannya dalam editor visual. Setelah ontologi ditentukan, Builder menghasilkan tabel node/edge, mengisi metadata, dan menjalankan automatic compiler untuk menghasilkan unified views. Seluruh pipeline dapat disusun dalam waktu kurang dari satu jam untuk warehouse berukuran sedang.

Keuntungan bagi perusahaan

  • Integrasi AI yang lebih cepat – Tim menghubungkan LLM ke lapisan yang kaya secara semantik alih-alih bergulat dengan pembuatan SQL mentah.
  • Pemeliharaan yang berkurang – Menambahkan sumber data baru hanya memerlukan penyisipan baris ke dalam tabel node/edge; metadata dan compiled views akan diperbarui secara otomatis.
  • Tata kelola yang terintegrasi – Model izin khusus menegakkan siapa yang dapat melihat entitas mana, sebuah fitur krusial bagi industri yang diatur secara ketat (regulated industries).

Kesimpulan

Dengan mengubah upaya pemodelan manual yang intensif selama berbulan-bulan menjadi alur kerja satu jam, Snowflake memberikan jalur praktis bagi perusahaan untuk memberikan semantik bisnis yang dibutuhkan LLM. Hasilnya adalah AI yang memahami maksud (intent).