Google Cloud trình diễn cách đưa AI tạo sinh vào pipeline dbt bằng SQL thuần
Tại dbt Summit 2026, Alicia Williams, kỹ sư quan hệ nhà phát triển của Google Cloud, đã trình diễn cách gọi các hàm mô hình ngôn ngữ lớn của BigQuery trực tiếp từ SQL và tích hợp chúng vào các dự án dbt thông thường. Cách làm này có thể xử lý từng dòng trong một bảng, chẳng hạn trích xuất từ khóa từ các bài đánh giá phim, mà không cần dựng riêng một dịch vụ Python hay pipeline gọi API mô hình. BigQuery cung cấp AI.GENERATE với tham số outputschema để trả về JSON có cấu trúc, cùng các hàm AI.IF, AI.CLASSIFY, AI.SCORE và AI.AGG cho lọc ngữ nghĩa, phân loại, chấm điểm và tổng hợp. Chế độ tối ưu hóa của AI.IF và AI.CLASSIFY gán nhãn cho một mẫu nhỏ bằng mô hình đầy đủ, huấn luyện một mô hình chưng cất nhỏ hơn ngay trong BigQuery, rồi dùng mô hình đó cho phần dữ liệu còn lại để giảm chi phí và độ trễ. Để chạy trong môi trường sản xuất, buổi trình diễn khuyến nghị dùng mô hình incremental của dbt, khối isincremental(), ước tính và giới hạn token, ngưỡng lỗi, cùng các kiểm thử dbt như notnull và acceptedvalues. Trong phần demo, một pipeline dbt ba giai đoạn chấm điểm cảm xúc của các bài đánh giá sản phẩm thú cưng theo chất lượng sản phẩm, vận chuyển và dịch vụ khách hàng, sau đó tạo bản tóm tắt theo từng sản phẩm cho quản lý. Về thực tế, cách này giúp các đội phân tích thêm xử lý bằng mô hình ngôn ngữ vào quy trình dữ liệu SQL hiện có theo cách có kiểm thử và kiểm soát, đồng thời tránh xử lý lặp lại các dòng cũ và phát hiện đầu ra AI sai định dạng trước khi chúng tới các bảng báo cáo.
Các đội dữ liệu và kỹ sư phân tích có thể dùng các hàm AI của BigQuery ngay trong SQL và dbt để phân loại, chấm điểm cảm xúc hoặc tóm tắt dữ liệu mà không cần dựng riêng một dịch vụ Python. Khi triển khai, nên dùng mô hình incremental, giới hạn token và kiểm thử đầu ra để tránh chi phí tăng nhanh hoặc dữ liệu lỗi lọt vào báo cáo.
Đọc bài gốc