Snowflake’s new Ontology Stack Builder ช่วยลดเวลาในการสร้างโมเดลข้อมูลที่รองรับด้วย knowledge graph จากหลายเดือนเหลือเพียงประมาณหนึ่งชั่วโมง ช่วยให้ Large Language Models (LLMs) มีบริบททางธุรกิจที่จำเป็นในการตอบคำถามได้อย่างแม่นยำ

องค์กรที่พยายามนำ Generative AI มาใช้งานร่วมกับ data warehouse มักจะพบกับอุปสรรคสำคัญ นั่นคือโมเดลเหล่านี้มองเห็นเพียงแถวและชื่อคอลัมน์ แต่ไม่เห็นเอนทิตี (entities) ในโลกความเป็นจริง เช่น ผู้คน ทีม หรือสัญญา ซึ่งเป็นตัวขับเคลื่อนการตัดสินใจ หากขาดสะพานเชื่อมทางอรรถศาสตร์ (semantic bridge) SQL ที่สร้างโดย AI จะกลายเป็นข้อมูลที่สับสน เกิดข้อผิดพลาดทางตรรกะ และคะแนนความเชื่อมั่น (confidence scores) ก็จะคลาดเคลื่อน

ทำไมตารางข้อมูลดิบถึงทำให้ LLMs สับสน

Data warehouse ทั่วไปจะจัดเก็บข้อมูลในรูปแบบ normalized tables ที่เชื่อมโยงกันด้วย foreign keys ชื่อคอลัมน์มักจะเป็นตัวย่อหรือศัพท์เฉพาะภายในองค์กร LLM ที่ถูกฝึกฝนด้วยข้อความจากเว็บไม่เคยเห็นคำว่า “EMP_ID” หรือ “CNTRCT_AMT” ในบริบททางธุรกิจ ดังนั้นเมื่อถูกถามว่า “พนักงานขายคนไหนปิดดีลได้ใหญ่ที่สุดในไตรมาสที่แล้ว?” โมเดลจะต้องคาดเดาความหมายของทุกฟิลด์ก่อน จากนั้นจึงประกอบการ join ข้ามหลายตารางให้ถูกต้อง ผลลัพธ์ที่ได้คือการคาดเดาที่ต่อเนื่องกัน ซึ่งอาจให้คำตอบที่ดูสมเหตุสมผลแต่ผิดพลาด

Ontology ในฐานะพิมพ์เขียว

Ontology จะกำหนดคลาส (เช่น Person, Organization, Contract) และความสัมพันธ์ (relationships) ที่สามารถเกิดขึ้นระหว่างกันได้ (เช่น Person ทำงานให้ Organization) Knowledge graph ที่สร้างจาก ontology นั้นจะจัดเก็บข้อเท็จจริงที่เป็นรูปธรรม เช่น John Doe ทำงานให้ Acme Inc., สัญญาฉบับหนึ่งเป็นของ Acme Inc. และช่วยให้ AI สามารถใช้เหตุผลผ่านแนวคิดระดับสูง (higher-level concepts) เหล่านี้ แทนที่จะใช้เพียงตัวระบุคอลัมน์ดิบๆ

แนวทางแบบ 5 เลเยอร์ของ Snowflake

สถาปัตยกรรมของ Snowflake ในการเปลี่ยน warehouse ให้เป็นระบบที่ขับเคลื่อนด้วย ontology ประกอบด้วย 5 เลเยอร์:

  • Layer 1: Physical storage – ตารางหลักสองตารางจะเก็บ nodes (entities) และ edges (relationships) การเพิ่มประเภทเอนทิตีใหม่ไม่จำเป็นต้องเปลี่ยน schema เพียงแค่เพิ่มแถวใหม่เท่านั้น
  • Layer 2: Metadata configuration – ความสัมพันธ์จะถูกประกาศผ่านไฟล์การตั้งค่า (configuration files) แทนการเขียน SQL แบบ hard-coded ทำให้โมเดลสามารถเคลื่อนย้ายได้ง่ายและบำรุงรักษาง่ายขึ้น
  • Layer 3: Automatic compiler – คอมไพเลอร์จะอ่าน metadata และสร้าง unified views ที่จับคู่ตารางที่เป็นรูปธรรมเข้ากับแนวคิดที่เป็นนามธรรมแบบทันที (on the fly)
  • Layer 4: Purpose-built models – โมเดลหนึ่งจะปรับแต่งมาเพื่อการดึงข้อมูลข้อเท็จจริงที่รวดเร็ว อีกโมเดลหนึ่งรองรับการใช้เหตุผลเชิงนามธรรมผ่าน graph และโมเดลที่สามจะดูแลเรื่องการกำกับดูแล (governance) และสิทธิ์การเข้าถึง (permissions)
  • Layer 5: Cortex agent layer – ระบบ routing อัจฉริยะจะตัดสินใจว่าจะใช้โมเดลพื้นฐานใดในการสอบถาม โดยพิจารณาจากเจตนา (intent) ของผู้ใช้

การสร้างเลเยอร์เหล่านี้ด้วยมือมักใช้เวลานานหลายเดือน ซึ่งต้องเกี่ยวข้องกับการทำ data-modeling, การวิเคราะห์ schema และการเขียนโค้ดแบบ custom แต่ Ontology Stack Builder ของ Snowflake จะช่วยจัดการงานส่วนใหญ่ให้โดยอัตโนมัติ

การทำงานของ Stack Builder

เครื่องมือนี้จะเริ่มขั้นตอนการทำงานแบบโต้ตอบ (interactive workflow) โดยการสแกน Snowflake schema ที่มีอยู่ แนะนำประเภทเอนทิตีและความสัมพันธ์ที่เป็นไปได้ และให้นักวิเคราะห์ยืนยันหรือปรับแต่งผ่าน visual editor เมื่อกำหนด ontology เรียบร้อยแล้ว Builder จะสร้างตาราง node/edge, ใส่ข้อมูลลงใน metadata และสั่งการ automatic compiler เพื่อสร้าง unified views ทั้งกระบวนการนี้สามารถประกอบเสร็จได้ภายในเวลาไม่ถึงหนึ่งชั่วโมงสำหรับ warehouse ขนาดปานกลาง

สิ่งที่องค์กรจะได้รับ

  • การรวม AI ที่รวดเร็วขึ้น – ทีมงานสามารถเชื่อมต่อ LLMs เข้ากับเลเยอร์ที่มีความหมายทางอรรถศาสตร์ (semantically rich layer) แทนที่จะต้องมานั่งจัดการกับการสร้าง SQL แบบดิบๆ
  • ลดภาระการบำรุงรักษา – การเพิ่มแหล่งข้อมูลใหม่ทำได้เพียงแค่เพิ่มแถวลงในตาราง node/edge เท่านั้น ส่วน metadata และ compiled views จะอัปเดตโดยอัตโนมัติ
  • การกำกับดูแลที่ฝังอยู่ในระบบ – โมเดลการกำหนดสิทธิ์ที่ออกแบบมาโดยเฉพาะจะควบคุมว่าใครสามารถเห็นเอนทิตีใดได้บ้าง ซึ่งเป็นฟีเจอร์สำคัญสำหรับอุตสาหกรรมที่มีกฎระเบียบข้อบังคับสูง

บทสรุป

ด้วยการเปลี่ยนความพยายามในการทำโมเดลที่ต้องใช้แรงงานคนและใช้เวลานานหลายเดือน ให้กลายเป็นขั้นตอนการทำงานเพียงหนึ่งชั่วโมง Snowflake จึงมอบเส้นทางที่ใช้งานได้จริงให้แก่ภาคธุรกิจในการมอบความหมายทางธุรกิจ (business semantics) ที่จำเป็นให้แก่ LLMs ผลลัพธ์ที่ได้คือ AI ที่เข้าใจเจตนาอย่างแท้จริง