procelo tosca: Nguyên mẫu AI phân tích dữ liệu được bàn giao trong 8 tuần, đạt độ chính xác truy vấn SQL trên 80%

Thách thức

Trước khi dồn lực phát triển, procelo cần giải mã câu hỏi cốt tử: Liệu hướng tiếp cận kỹ thuật này có khả thi? Có hai rào cản lớn đang chắn giữa ý tưởng và một sản phẩm thực thụ. Đầu tiên là bài toán tích hợp mô hình dữ liệu. Các hệ thống ERP – nguồn dữ liệu đầu vào của AI Agent – sở hữu khối lượng dữ liệu khổng lồ với cấu trúc (schema) cực kỳ phân mảnh tùy thuộc vào nhà cung cấp và cách triển khai. Để AI vận hành ổn định trên các schema này, chúng tôi cần thiết kế một mô hình vừa đủ chặt chẽ để máy "hiểu" logic, vừa đủ linh hoạt để thích ứng với sự biến thiên của ERP thực tế. Các mô tả bảng (table descriptions) phải đạt độ chính xác tuyệt đối để dẫn dắt AI, nhưng vẫn phải đảm bảo khả năng tùy chỉnh linh hoạt theo đà phát triển của sản phẩm. Thứ hai là thách thức về độ chính xác. Các mô hình LLM khi chuyển đổi ngôn ngữ tự nhiên sang SQL luôn tiềm ẩn rủi ro "ảo giác" (hallucination): chúng có thể tạo ra các câu lệnh SQL đúng cú pháp nhưng trả về kết quả sai, hoặc hiểu sai thuật ngữ nghiệp vụ dẫn đến những lỗi sai dây chuyền. Với một sản phẩm mà giá trị cốt lõi là phân tích dữ liệu tin cậy, độ chính xác không phải là yếu tố phụ – đó là "cửa ải" quyết định. Dù giao diện có trực quan đến đâu, chỉ cần kết quả SQL thiếu nhất quán, sản phẩm sẽ trở nên vô giá trị. Do đó, procelo cần một bản nguyên mẫu (prototype) để chứng minh tính đúng đắn của giải pháp trước khi chính thức rót vốn phát triển toàn diện.

Giải pháp

Tiếp tục với Phương án 1: Ngôn ngữ chuyên gia, bản dịch dưới đây tập trung vào tính thực thi, gạt bỏ các từ nối rườm rà để làm nổi bật quy trình kỹ thuật: Gradion triển khai dự án với đội ngũ tinh gọn gồm 3 nhân sự: một Cố vấn kỹ thuật, một PM/PO và một Kỹ sư AI, thực hiện trong 8 tuần tăng tốc (sprint) từ khảo sát đến hoàn thiện nguyên mẫu. Quy trình bắt đầu bằng việc phân tích hiện trạng (IS-Status Analysis): đánh giá môi trường dữ liệu, bóc tách cấu trúc ERP schema và xác định chính xác các điểm nóng dễ gây sai lệch hoặc thiếu nhất quán. Về kiến trúc, hệ thống kết hợp cơ sở dữ liệu SQL chính với một Vector Database phụ trợ. Sau khi chuyển dữ liệu đã ẩn danh vào SQL DB của nguyên mẫu, Vector DB đóng vai trò then chốt: lưu trữ các ví dụ mẫu để AI Agent truy xuất khi tạo câu lệnh. Cách tiếp cận này giúp cải thiện độ chính xác dựa trên ngữ cảnh thực tế, thay vì chỉ dựa vào khả năng suy luận chung chung của LLM. Độ chính xác được tối ưu qua giải pháp "fine-tuning" đa tầng: các ví dụ từ vector cung cấp nền tảng ngữ cảnh, mô tả bảng trang bị bộ từ vựng chuẩn cho schema, và cấu trúc câu lệnh (structured prompting) dẫn dắt AI tư duy từng bước khi tạo truy vấn. Sự kết hợp này triệt tiêu rủi ro "ảo giác" khi sinh mã SQL và xử lý tốt các sắc thái ngữ nghĩa mà người dùng quan tâm — ví dụ: phân biệt rạch ròi giữa "đơn hàng" (orders) và "phiếu mua hàng" (purchases) trong mô hình dữ liệu gốc. Nguyên mẫu hoàn thiện sở hữu giao diện chat trực quan: tiếp nhận câu hỏi bằng ngôn ngữ tự nhiên, tự động xây dựng câu lệnh SQL chuẩn xác trên hệ thống và trả về kết quả dưới định dạng dễ hiểu cho người dùng không chuyên, đi kèm cơ chế ẩn dữ liệu nhạy cảm (redaction) khi cần thiết.