Így működtet a Sigma 2883 modellt dbt és Dagster segítségével

Az AI számára is értelmezhető adatmodell

A dbt Labs október 27-én közzétett beszámolója szerint Matt Senick, a Sigma Computing vezető adatplatform-mérnöke a dbt Summit 2026 rendezvényen mutatta be, hogyan működteti a vállalat a saját szemantikai rétegét. A Sigma ugyanilyen típusú réteget kínál ügyfeleinek is. A megoldás egy dbt-projekten belül, verziókövetett kódként működik, a folyamatokat pedig a Dagster vezényli.

Senick szerint a szemantikai rétegnek az LLM-ek korában három fontos feladata van. Az AI-alkalmazások számára korlátokat ad, például a személyes adatokra vonatkozó szabályokat és az SQL-formázási előírásokat közvetlenül a modell szintjén rögzíti. Emellett ugyanazokat a definíciókat biztosítja egy-egy mérőszámhoz a vállalat különböző AI-felületein, így ezek nem adnak egymásnak ellentmondó eredményeket.

A réteg modellkörnyezetet, szinonimákat és ellenőrzött lekérdezéseket is biztosít az ügynököknek. Ezzel az ügynökök a Sigma szerint túlléphetnek az általános szöveg SQL-lé alakításán. Ha egy kérdés egyértelműen hozzárendelhető egy meghatározott mérőszámhoz, az ügynök egy függvényt hívhat meg, és lekérheti azt az egyetlen értéket, amelyben a vállalat többi felülete is megegyezik.

A definíciók SQL-ben és Jinja-kódban készülnek

A Sigma dbt-projektjében a szemantikai objektumokat közvetlenül SQL-ben és Jinja-kódban határozzák meg, majd verziókövetik. Az objektumokat konkrét adattárházi táblákhoz rendelik, és oszlopszinten szabályozzák, hogy milyen információkat láthatnak az üzleti felhasználók.

A szemantikai modelleket üzleti funkciók szerint választják szét. Külön területek foglalkoznak többek között az értékesítéssel, a marketinggel, az ügyfélsikerrel és a termékkel. A rendszer néhány dbt-csomagra támaszkodik, köztük a dbt-sigma-data-model, a dbt-semantic-view és a dbt-cortex-agent csomagra.

Ezek a definíciókat többféle célra fordítják le: Sigma-adatmodellekre, Snowflake szemantikai nézetekre és Cortex-ügynökökre. A dbt Labs leírása szerint mindez közönséges dbt-csomópontként kezelhető, így a különböző kimenetek ugyanahhoz a fejlesztési és üzemeltetési folyamathoz kapcsolódnak.

63 Dagster-feladat kezeli a 2883 modellt

A teljes rendszert a Dagster hangolja össze. A Sigma 63 feladatot futtat folyamatosan, ezek hat adatrégióban építik fel és telepítik a 2883 dbt-modellt. A folyamat az Amazon S3-ból letölti a dbt jegyzékét, majd állapotérzékeny dbt build futtatásával állítja elő a szükséges eredményeket.

A létrejövő Sigma-adatmodelleket a rendszer a Sigma API-ján keresztül visszaszinkronizálja, a jegyzéket pedig újra feltölti, hogy az a következő futásnál is rendelkezésre álljon. A megközelítés a vállalat saját szemantikai rétegét egyetlen, kódként kezelt és több szolgáltatáshoz kapcsolódó adatfolyamatba rendezi.

Senick bemutatta az Open Semantic Interchange kezdeményezést is, amelyet röviden Ossie néven említenek. A célja, hogy a csapatok egy Snowflake szemantikai nézet, egy dbt-mérőszám és egy Sigma-adatmodell között is átalakíthassák a definíciókat anélkül, hogy egyetlen szolgáltató formátumához kellene kötődniük.

Egységesebb válaszokat kaphatnak az AI-felületek

A Sigma bemutatott működése azt jelenti, hogy a vállalaton belüli AI-felületek ugyanazokra a verziókövetett üzleti definíciókra, hozzáférési szabályokra és ellenőrzött lekérdezésekre támaszkodhatnak. A dbt Labs szerint ez különösen azoknál a kérdéseknél fontos, amelyek egy konkrét mérőszámra vezethetők vissza, mert az ügynökök így a szervezet által már elfogadott értéket kérhetik le.

Az Open Semantic Interchange terve egy további irányt jelöl ki: az adatcsapatok különböző rendszerek között is mozgathatják a szemantikai definíciókat. A dbt Summit 2026 előadásai a dbt Labs közlése szerint igény szerint megtekinthetők.