Các chuyên gia phân tích cho rằng những tính năng mang tính kiểm soát chặt chẽ và xác định rõ ràng (deterministic, controls-based) của nó lại khiến khâu thiết kế ban đầu trở nên phức tạp hơn.
Một công cụ mới từ Google Cloud được phát triển nhằm tăng độ chính xác khi các AI (AI agents) truy vấn dữ liệu từ database, đặc biệt trong các hệ thống nhiều AI cùng hoạt động (multi-agent) hoặc các ứng dụng phức tạp.
QueryData là công cụ có khả năng chuyển ngôn ngữ tự nhiên (câu nói bình thường) thành các câu truy vấn database (SQL) với độ chính xác mà Google Cloud tuyên bố là gần như 100%. Công cụ này được đưa ra như một giải pháp thay thế cho việc để các mô hình AI lớn (LLMs) tự viết truy vấn trực tiếp.
Tuy nhiên, để có được khả năng hiểu dữ liệu cần thiết đó, các đội ngũ doanh nghiệp khi sử dụng QueryData phải trước tiên xác định cái mà Google Cloud gọi là ‘context’ (ngữ cảnh), tức là mô tả cách dữ liệu nên được truy cập và truy vấn. Quá trình này bao gồm việc thiết lập chi tiết về cấu trúc database (schema) như mô tả các bảng, mối quan hệ giữa chúng và ý nghĩa nghiệp vụ của dữ liệu, đồng thời bổ sung các hướng dẫn rõ ràng, mang tính xác định để định hướng cách các truy vấn được tạo ra và thực thi.
Sau khi phần ‘context’ và các hướng dẫn đã được thiết lập, các đội ngũ có thể sử dụng Context Engineering Assistant một agent chuyên dụng trong Gemini CLI để liên tục kiểm tra và tinh chỉnh độ chính xác của các truy vấn. Quá trình này được thực hiện bằng cách đối chiếu với framework Evalbench, lặp đi lặp lại nhiều lần cho đến khi đạt được kết quả như mong muốn.
Sau đó, QueryData có thể được tích hợp vào các quy trình làm việc do AI điều khiển (agent-driven workflows), nơi nó đóng vai trò như lớp thực thi (execution layer) nằm giữa yêu cầu của người dùng và các hệ thống database phía sau, giúp chuyển yêu cầu thành truy vấn và lấy dữ liệu một cách chính xác.
Nó có thể được sử dụng trong các data agent của Google Cloud hiện đang có sẵn trong BigQuery hoặc được gọi thông qua API bởi các doanh nghiệp đang xây dựng các hệ thống AI riêng hoặc hệ thống multi-agent. Hiện tại, QueryData hỗ trợ các hệ cơ sở dữ liệu như:
- AlloyDB
- Cloud SQL for MySQL
- Cloud SQL for PostgreSQL
- Cloud Spanner
Trong các hệ thống tùy chỉnh, các AI agent sẽ đảm nhiệm phần suy luận (reasoning) và điều phối (orchestration), còn QueryData sẽ chịu trách nhiệm tạo, kiểm tra và thực thi các truy vấn dữ liệu trên các nguồn dữ liệu khác nhau. Sau đó, kết quả được trả về để sử dụng cho các bước xử lý tiếp theo hoặc phục vụ việc ra quyết định, theo chia sẻ của Google Cloud trong một bài blog.
Tạo ra một nhóm khối lượng công việc (workload) hoàn toàn mới
Theo Pareekh Jain, nhà phân tích chính tại Pareekh Consulting, công cụ mới này đánh dấu sự chuyển dịch từ các hệ thống AI đơn thuần là công cụ sang các AI agent hướng đến kết quả cụ thể và được tích hợp sẵn các cơ chế kiểm soát (guardrails). Nhờ đó, doanh nghiệp có thể dễ dàng đưa các hệ thống multi-agent và ứng dụng AI vào vận hành thực tế, đồng thời mở ra các trường hợp sử dụng mang tính ra quyết định trong các lĩnh vực như tài chính, vận hành và chuỗi cung ứng.
Bên cạnh đó, ông cũng lưu ý rằng dù QueryData giúp giảm nhu cầu về prompt engineering cho lập trình viên và tăng độ tin cậy khi hệ thống vận hành, nhưng nó lại chuyển gánh nặng sang giai đoạn thiết kế ban đầu và việc bảo trì liên tục về sau.
Ông nhấn mạnh rằng: “Giải pháp này đòi hỏi phải hiểu rõ cấu trúc dữ liệu (schema) một cách tường minh, thiết lập các hướng dẫn mang tính xác định (deterministic) cho từng nguồn dữ liệu và liên tục bảo trì khi cấu trúc dữ liệu thay đổi.” Đồng thời, ông cho rằng điều này thực chất đã tạo ra một nhóm công việc hoàn toàn mới đó là data access engineering dành cho các AI agent.
Ông cho biết: “Sự đánh đổi là rất rõ ràng. Nếu không dùng QueryData, hệ thống có thể được xây dựng nhanh hơn nhưng lại kém đáng tin cậy khi đưa vào vận hành thực tế; còn khi sử dụng QueryData, quá trình xây dựng sẽ chậm hơn nhưng hệ thống có thể hoạt động ổn định và mở rộng tốt ở quy mô lớn.”
Theo Pareekh Jain, sự đánh đổi này cuối cùng sẽ ảnh hưởng đến cách doanh nghiệp áp dụng công nghệ: việc triển khai sẽ mạnh mẽ hơn trong các môi trường có quy định chặt chẽ hoặc mang tính sống còn (mission-critical), trong khi sẽ diễn ra chậm hơn ở các trường hợp sử dụng nhẹ, mang tính thử nghiệm hoặc không quá quan trọng.
Tập trung vào tầng dữ liệu, trong khi các đối thủ đặt cược vào connectors và copilots
Ngoài ra, Pareekh Jain cũng nhận định rằng công cụ mới này còn cho thấy một nước đi chiến lược rộng hơn của Google Cloud.
Pareekh Jain cho biết: “QueryData cho thấy Google Cloud đang cố gắng tạo ra một cách tiêu chuẩn để các AI agent có thể truy cập và sử dụng dữ liệu một cách an toàn. Trong khi OpenAI tập trung vào API, Amazon Web Services (AWS) tập trung vào connectors, và Microsoft tập trung vào các ứng dụng như Microsoft Copilot, thì Google lại tập trung vào chính tầng dữ liệu tức là cách các AI agent thực sự “giao tiếp” với database.”
Cách tiếp cận này có những điểm mạnh, đặc biệt là nhờ khả năng tích hợp chặt chẽ với Google BigQuery và thế mạnh về dữ liệu của Google. Tuy nhiên, nó cũng tồn tại một số thách thức, vì cần nhiều thiết lập ban đầu hơn và kém linh hoạt khi sử dụng trên nhiều nền tảng khác nhau. Trong trường hợp này, Microsoft dường như đang có lợi thế, bởi các công cụ của họ đã được tích hợp sẵn vào những ứng dụng hàng ngày mà mọi người sử dụng.
Rủi ro đối với Google là các cách tiếp cận đơn giản hơn từ AWS hoặc Microsoft có thể khiến QueryData bị giới hạn trong những trường hợp sử dụng nâng cao, thay vì trở thành một tiêu chuẩn phổ biến rộng rãi.
CyberSoft chuyên đào tạo Chuyên Gia Lập Trình, Công Nghệ, Thiết kế, AI theo dự án doanh nghiệp. Học theo dự án thực tế, học từ số zero đi làm, học nâng cấp kỹ năng toàn diện.
Liên hệ cho chúng tôi để được tư vấn ngay!
