סקירה כללית של QueryData

באפליקציות מבוססות-AI, המשתמשים מצפים לתקשר באמצעות שפה טבעית (טקסט או קול). לכן, סוכני ה-AI צריכים לשלוח שאילתות למסדי נתונים תפעוליים ולהחזיר תשובות מדויקות וברורות.

‫QueryData הוא מוצר של Google Cloudלשאילתות נתונים בשפה טבעית. הוא משלב ביצוע מהיר ודטרמיניסטי של הלוגיקה העסקית המרכזית שלכם, עם הגמישות להכללה של ניסוחים טבעיים ושאלות לא צפויות. הגישה הזו מספקת דיוק של כמעט 100%, זמן אחזור קצר אונליין ויכולת הסבר מאושרת.

התכונה QueryData תומכת ב-AlloyDB ל-PostgreSQL, ב-Cloud SQL ל-PostgreSQL, ב-Cloud SQL ל-MySQL, ב-Spanner (ניב GoogleSQL), ב-Firestore עם תאימות ל-MongoDB וב-Bigtable.

למה יצירת SQL פשוטה באמצעות LLM נכשלת בסביבת הייצור

חיבור של מודל שפה גדול (LLM) ישירות לסכימה של מסד נתונים (המרת טקסט רגיל ל-SQL או NL2SQL) עובד טוב באב טיפוס, ולעיתים קרובות מגיע לדיוק של 80% עד 90% בשאלות בסיסיות. עם זאת, בסביבת הייצור, בקשה ממודל LLM ליצור SQL מאפס על סמך סכימות גולמיות בדרך כלל נכשלת, מ-5 סיבות:

  • כשלים סמנטיים שקטים: בניגוד ליצירת קוד, שבה שגיאות תחביר נכשלות באופן רועש, מודל שפה גדול שנתקל בשאלה לא ברורה אומר לעיתים רחוקות "אני לא יודע". במקום זאת, הוא כותב SQL שנראה סביר ופועל בצורה נקייה (200 OK), אבל מחזיר תשובה שגויה, כמו השמטת מסנני סטטוס נדרשים או שימוש בנוסחאות ובמדידות שגויות.
  • לוגיקה עסקית לא כתובה שחסרה בסכימה: סכימות מגדירות טבלאות וסוגי נתונים, ולא את אופן הפעולה של העסק. אם משתמש מבקש מאפליקציית נדל "ן "בתים ליד בתי ספר טובים בהרצליה", הסכימה לא מגדירה איזה מרחק נחשב "ליד", איזה דירוג הופך בית ספר ל "טוב" או איך לשקלל את הקרבה לעומת איכות בית הספר. בלי הכללים האלה, מודל ה-LLM צריך לנחש.
  • נתונים פרטיים לא ברורים ואי-בהירות לגבי ישויות: מודלים של LLM מאומנים על עובדות ציבוריות, ולא על המחרוזות שמאוחסנות בטבלאות הפרטיות שלכם או על האופן שבו המשתמשים מאייתים אותן באופן שגוי (במיוחד בקלט קולי). לדוגמה, אם תשאלו "אילו נכסים נמכרו ב-Westwod בחודש האחרון?", מודל LLM שמבוסס רק על סכימה לא יוכל לזהות ש-Westwod היא שגיאת הקלדה של Westwood, או אם Westwood במסד הנתונים שלכם היא עיר, רשות מקומית או סוכנות תיווך.
  • המלכודת של זמן האחזור לעומת הדיוק: אם נותנים לנציג כלי SQL גולמיים כדי לחקור טבלאות, שורות לדוגמה ולתקן את עצמו בלולאה עם כמה שלבים, זמן האחזור עולה ליותר מ-30 שניות לכל שאלה, וזה איטי מדי לאפליקציות אינטראקטיביות. לעומת זאת, אם דוחסים את הכללים העסקיים להנחיית מערכת ענקית, נוצרות סתירות בין ההוראות, וכשמתקנים שאילתה אחת, שאילתות אחרות מפסיקות לפעול בלי ששמים לב.
  • חשיפת נתונים לא מבוקרת: באפליקציות רגילות, קוד בקצה העורפי קובע אילו שאילתות יופעלו ואילו שורות המשתמשים יוכלו לראות. כשמודל שפה גדול (LLM) יוצר SQL באופן דינמי מקלט של משתמש לא מהימן, הסתמכות על הוראות הנחיה כדי להגן על מדדים רגישים או על נתוני דיירים משאירה את מסד הנתונים חשוף למניפולציה של הנחיות.

מה נדרש כדי שהפתרון יהיה מוכן לייצור

אפליקציות בסביבת ייצור דורשות דיוק של כמעט 100% בתהליכי עבודה מרכזיים, זמן אחזור מהיר ועקבי אונליין, יכולת הסבר שקופה, יכולת הכללה לשאלות לא צפויות ואבטחה קפדנית במקרים שבהם הגישה לנתונים חשובה.

כדי לעמוד בדרישות האלה, צריך לעבור מיצירת SQL פתוח לשלוש יכולות בסיסיות:

  • הקשר של דומיין אופליין שקל לאסוף: ההקשר הוא הבסיס לרמת דיוק גבוהה. במקום לאלץ את ה-LLM להסיק כללים עסקיים וקשרים בין טבלאות בזמן הריצה, מערכת הייצור צריכה הקשר מובנה של הדומיין שמוכן אופליין. כדי שצוותי ההנדסה לא יצטרכו ליצור באופן ידני כללים שבירים, צריך להפוך את תהליך הניהול והתחזוקה של ההקשר לאוטומטי.
  • התאמה דטרמיניסטית מהירה אונליין שמכלילה ומסבירה את העבודה שלה: זמן אחזור קצר אונליין דורש מנוע שמתאים במהירות בין שאלות להקשר מאומת, פותר ערכים של מסדי נתונים, מסביר את הכללים העסקיים המדויקים שהוחלו ומציג למשתמש את חוסר הבהירות במקום לנחש. במקביל, המערכת לא יכולה להיות תפריט דיווחים נוקשה. הוא צריך להכליל בין וריאציות של ניסוחים, שילובי מסננים ושאלות לא צפויות באמצעות הקשר קשור ומטא-נתונים של סכימה.
  • גבולות אבטחה דטרמיניסטיים: מכיוון שממשקים בשפה טבעית מקשרים בין קלט של משתמשים לא מהימנים למסד הנתונים, האבטחה היא קריטית. פתרון בסביבת ייצור לא יכול להסתמך על הנחיות ל-LLM כדי לאכוף כללי גישה. הוא חייב לאכוף אמצעי בקרה דטרמיניסטיים בשכבת מסד הנתונים וההקשר (כולל פרטיות ברמת השורה לאפליקציות עם כמה דיירים) כדי למנוע חשיפה לא מורשית של נתונים.

איך המוצר QueryData משלב את כל זה

המוצר QueryData הוא יותר מנקודת הקצה ל-API של QueryData. היא פועלת כמערכת מאוחדת שמורכבת משני חלקים, שמשלבת הנדסת הקשר בזמן התכנון עם הכללה והפעלה דטרמיניסטית מהירה בזמן הריצה.

הנדסת הקשר בזמן התכנון

כדי לתעד את לוגיקת הדומיין אופליין, אתם צריכים להתאים את מסד הנתונים לקבוצת הקשר ולערוך אותה באמצעות סוכן עם מנוע הקשר:

  • הקשר מובנה של הדומיין מעבר לסכימות גולמיות: לצד התיאורים של הטבלאות והעמודות במסד הנתונים, קבוצת ההקשר מאחסנת ידע מקומפל מראש על הדומיין של מסד הנתונים. הקשר של דומיין יכול להיות בכל מיני צורות, אבל קבוצות הקשר תומכות בשלושה סוגים ספציפיים של הקשר:
    • תבניות של שאילתות: תבניות SQL עם פרמטרים שמותאמות לתבניות כלליות של שאלות, בשילוב עם הסבר מאומת על הכוונה, כדי שהמשתמשים יוכלו לוודא איך QueryData פירש שאלות עסקיות בסיסיות.
    • היבטים של שאילתות: פרדיקטים מודולריים של מסנני SQL ואופרטורים של AI במסדי נתונים (כמו AI.IF וחיפוש וקטורי) שמשתלבים באופן דינמי עם תבניות, כך שקבוצת הקשרים קומפקטית מכסה מאות שילובים של מסננים.
    • חיפושי ערכים: חיפושים מהירים ודטרמיניסטיים במסד הנתונים שפותרים שגיאות איות, ממפים מונחים של משתמשים לעמודות ולערכים מדויקים, ומזהים מתי מונח תואם לכמה מושגים.
  • אוטומציה של בחירת התוכן וטיפוס במעלה הגבעה: במקום ליצור קובצי הקשר באופן ידני, אתם מריצים את סוכן הנדסת ההקשר ב-CLI או ב-IDE (כמו Antigravity או Claude Code) כדי להפוך את לולאת האופטימיזציה לאוטומטית:
    • יצירת נקודת השוואה אידיאלית: המערכת יוצרת ומרחיבה צמדים מייצגים של שאלה ו-SQL מהסכימה של מסד הנתונים, משאילתות ראשוניות ומבסיס הקוד של האפליקציה.
    • טיפוס גבעה אוטומטי: הערכת ה-API של QueryData באמצעות Evalbench, אבחון דפוסי כשל של סיבת השורש, יצירת הקשר כללי והעלאה אוטומטית של קבוצות הקשר משופרות מה-CLI עד שהדיוק מתכנס.
    • אימות בקבוצת בדיקה שהוחזקה בצד: הערכה של קבוצת ההקשר הסופית פעם אחת בסוף האופטימיזציה, בהשוואה לווריאציות של שאלות שלא נראו, כדי לוודא שהדיוק חל על תנועה בעולם האמיתי בלי התאמת יתר (overfitting).

הרצת שאילתות בזמן ריצה

בסביבת הייצור, המעטפת האג'נטית (כמו ערכה לפיתוח סוכנים (ADK),‏ LangChain,‏ Antigravity או Claude Code) שולחת את השאלות של המשתמשים לנקודת קצה ל-API QueryData ב-Conversational Analytics API, ישירות או דרך MCP Toolbox for Databases:

  • ביצוע מהיר ודטרמיניסטי עם יכולת הכללה:
    • הרצה דטרמיניסטית של תבניות והיבטים: כששאלה תואמת לקבוצת ההקשרים בכל וריאציה של ניסוח או שילוב של מסננים, QueryData API פותר את ערכי מסד הנתונים ומשלב את תבנית ה-SQL המאומתת עם ההיבטים התואמים. אחר כך הוא מריץ את השאילתה ומחזיר גם את התשובה וגם הסבר מאושר על הכוונה, עם זמן אחזור קצר.
    • זיהוי עמימות: אם מונח בהנחיה תואם לכמה מושגים תקינים בנתונים הפרטיים, QueryData API מחזיר הנחיה להפגת עמימות כדי שהנציג יוכל לבקש מהמשתמש הבהרה במקום לנחש.
    • הכללה של שאילתות לא צפויות: כששאלה לא מתאימה לתבניות ולמאפיינים שהוגדרו מראש, QueryData API יוצר SQL באופן דינמי על סמך המטא-נתונים של הסכימה של מסד הנתונים, חיפושי ערכים ותבניות קשורות.
  • אבטחה באמצעות מסד הנתונים: כדי להגן על מידע אישי רגיש מפני מניפולציה של הנחיות, QueryData פועל עם אמצעי בקרת גישה ברמת מסד הנתונים.

תמחור

אתם מחויבים לפי מחירי המחשוב של Spanner על שאילתות שפועלות כשאתם יוצרים קבוצות הקשר ומשתמשים ב-QueryData עם הסוכנים לאינטראקציה עם נתונים או עם מקורות הנתונים של מסד הנתונים. בתקופת גרסת טרום-השקה (Preview), אין חיוב נוסף על יצירה ושימוש בקבוצות הקשר וב-QueryData. מידע נוסף זמין במאמר התמחור של סוכני Data Cloud.

המאמרים הבאים