Mở Khóa Kho Dữ Liệu: Biến Lời Nói Thường Thành Lệnh SQL Với Sức Mạnh Của Granite và Ollama!

Lê Lân

20/07/2025

Khám Phá Dữ Liệu Của Bạn: Đơn Giản Hóa Việc Xây Dựng Truy Vấn SQL Với Granite và Ollama

Mở Đầu

Trong thời đại dữ liệu phát triển mạnh mẽ, khả năng khai thác thông tin từ các kho dữ liệu lớn là yếu tố then chốt quyết định sự thành công của doanh nghiệp.

Tuy nhiên, việc truy cập và trích xuất dữ liệu thường đòi hỏi kỹ năng chuyên môn cao, đặc biệt là khả năng viết các truy vấn SQL phức tạp. Điều này tạo ra một rào cản đối với nhiều người dùng kinh doanh vốn am hiểu sâu rộng lĩnh vực của họ nhưng lại không có chuyên môn về công nghệ. Nhờ sự phát triển của các Mô hình Ngôn ngữ Lớn (Large Language Models - LLMs) như Ollama, kết hợp với các mô hình như Granite, việc truy vấn và hiểu dữ liệu trở nên đơn giản và dễ dàng hơn bao giờ hết.

Bài viết này sẽ tập trung giới thiệu cách sử dụng Ollama và Granite để chuyển đổi ngôn ngữ tự nhiên thành các câu truy vấn SQL chính xác, giúp người dùng không chuyên truy cập dữ liệu một cách nhanh chóng mà không cần viết mã. Đồng thời, chúng ta sẽ tìm hiểu ví dụ cụ thể với hai cơ sở dữ liệu SQLite đơn giản để minh họa quy trình này một cách chi tiết.

Giải Pháp Tự Động Hóa Việc Xây Dựng Truy Vấn SQL

Lợi Ích Của Việc Sử Dụng LLM Trong Truy Vấn Dữ Liệu

Việc khai thác dữ liệu thông qua các mô hình ngôn ngữ lớn mang lại nhiều ưu điểm nổi bật như:

Dễ dàng sử dụng: Chỉ cần hỏi bằng câu tiếng Việt hoặc tiếng Anh đơn giản.

Tiết kiệm thời gian: Tự động chuyển đổi yêu cầu thành câu truy vấn SQL chuẩn.

Tăng tính chính xác: Mô hình AI hiệu quả trong việc diễn giải ý nghĩa nhiều câu hỏi khác nhau.

Khả năng mở rộng cao: Áp dụng cho nhiều hệ quản trị cơ sở dữ liệu khác nhau.

Công Nghệ Granite và Ollama

Granite là một mô hình ngôn ngữ lớn được thiết kế để xử lý các tác vụ liên quan đến ngôn ngữ tự nhiên phức tạp, đặc biệt là trong lĩnh vực dữ liệu. Ollama là nền tảng cho phép bạn chạy và tương tác với các mô hình LLM như Granite ngay trên máy tính cá nhân thông qua API đơn giản.

Sự kết hợp Granite và Ollama đem lại giải pháp thông minh giúp chuyển đổi câu hỏi bằng ngôn ngữ tự nhiên sang truy vấn SQL một cách tự động, dễ dàng và trực quan.

Mẫu Ví Dụ: Xây Dựng Cơ Sở Dữ Liệu Đơn Giản Với SQLite

Mô Hình Dữ Liệu

Chúng ta sẽ minh họa bằng hai cơ sở dữ liệu SQLite:

personal_data.db: Chứa thông tin cá nhân như họ tên, ngày sinh, mã định danh duy nhất.

employment_data.db: Chứa thông tin nhân viên bao gồm mức lương, chức danh, mã phòng ban, liên kết với personal_data qua mã uniqueID.

Cách Tạo Cơ Sở Dữ Liệu

Bạn có thể sử dụng đoạn mã Python dưới đây để tự động tạo và điền dữ liệu mẫu cho hai cơ sở dữ liệu này.

Tạo database personal_data.db

import sqlite3
def create_personal_data_db(db_name="personal_data.db"):
    conn = sqlite3.connect(db_name)
    cursor = conn.cursor()
    cursor.execute("DROP TABLE IF EXISTS employees_personal")
    cursor.execute("""
        CREATE TABLE employees_personal (
            firstName TEXT NOT NULL,
            lastName TEXT NOT NULL,
            dateOfBirth TEXT NOT NULL,
            uniqueID TEXT PRIMARY KEY
        )
    """)
    sample_data = [
        ("Alice", "Smith", "1990-05-15", "EMP001"),
        ("Bob", "Johnson", "1985-11-22", "EMP002"),
        ("Charlie", "Brown", "1992-03-01", "EMP003")
    ]
    cursor.executemany("INSERT INTO employees_personal VALUES (?, ?, ?, ?)", sample_data)
    conn.commit()
    conn.close()

Tạo database employment_data.db

def create_employment_data_db(db_name="employment_data.db"):
    conn = sqlite3.connect(db_name)
    cursor = conn.cursor()
    cursor.execute("DROP TABLE IF EXISTS employees_employment")
    cursor.execute("""
        CREATE TABLE employees_employment (
            uniqueID TEXT PRIMARY KEY,
            salary REAL NOT NULL,
            jobTitle TEXT NOT NULL,
            departmentId INTEGER NOT NULL
        )
    """)
    sample_data = [
        ("EMP001", 60000.00, "Software Engineer", 101),
        ("EMP002", 75000.00, "Project Manager", 102),
        ("EMP003", 50000.00, "HR Specialist", 103)
    ]
    cursor.executemany("INSERT INTO employees_employment VALUES (?, ?, ?, ?)", sample_data)
    conn.commit()
    conn.close()

Việc tách dữ liệu thành nhiều database giúp tăng tính mô đun và dễ dàng quản lý các tập dữ liệu chuyên biệt.

Tích Hợp Ollama và Granite - Tự Động Sinh Truy Vấn SQL Từ Ngôn Ngữ Tự Nhiên

Quy Trình Hoạt Động

Khi người dùng nhập một câu hỏi hoặc một yêu cầu bằng ngôn ngữ tự nhiên (ví dụ: "Cho tôi thông tin nhân viên với mã EMP001"), hệ thống sẽ gửi yêu cầu này đến mô hình Granite thông qua Ollama. Mô hình này sẽ xử lý, chuyển đổi thành câu truy vấn SQL phù hợp và thực thi trên cơ sở dữ liệu để lấy kết quả.

Mã Nguồn Ví Dụ Chính

Dưới đây là đoạn mã Python minh họa cách tích hợp Ollama API với SQLite để thực hiện truy vấn và nhận phản hồi qua chatbot.

import sqlite3
import requests
import json

OLLAMA_API_URL = "http://localhost:11434/api/chat"
OLLAMA_MODEL = "granite3.3:latest"
PERSONAL_DB = "personal_data.db"
EMPLOYMENT_DB = "employment_data.db"

def get_employee_details(unique_id):
    conn = sqlite3.connect(PERSONAL_DB)
    cursor = conn.cursor()
    cursor.execute(f"ATTACH DATABASE '{EMPLOYMENT_DB}' AS employment_db;")
    query = f"""
        SELECT p.firstName, p.lastName, e.jobTitle
        FROM employees_personal AS p
        JOIN employment_db.employees_employment AS e
        ON p.uniqueID = e.uniqueID
        WHERE p.uniqueID = '{unique_id}';
    """
    cursor.execute(query)
    result = cursor.fetchone()
    cursor.execute("DETACH DATABASE employment_db;")
    conn.close()
    return result

def send_to_ollama(prompt):
    messages = [
        {"role": "system", "content": "Bạn là trợ lý thân thiện cung cấp thông tin nhân viên."},
        {"role": "user", "content": prompt}
    ]
    payload = {"model": OLLAMA_MODEL, "messages": messages, "stream": False}
    headers = {"Content-Type": "application/json"}
    response = requests.post(OLLAMA_API_URL, headers=headers, data=json.dumps(payload))
    response.raise_for_status()
    data = response.json()
    return data['message']['content'] if 'message' in data and 'content' in data['message'] else "Lỗi định dạng phản hồi."

def run_chat_app():
    print(f"Chào mừng bạn đến với Chatbot tra cứu nhân viên (Sử dụng Ollama với {OLLAMA_MODEL})")
    print("Nhập 'exit' để thoát.")
    while True:
        user_input = input("Nhập mã nhân viên (ví dụ: EMP001): ").strip().upper()
        if user_input in ["EXIT", "QUIT"]:
            print("Tạm biệt!")
            break
        employee_data = get_employee_details(user_input)
        if employee_data:
            first, last, job = employee_data
            prompt = f"Tôi đã tìm thấy nhân viên mã {user_input} tên {first} {last}, chức danh {job}. Hãy cung cấp thông tin này một cách thân thiện."
        else:
            prompt = f"Không tìm thấy nhân viên với mã {user_input}. Vui lòng thử lại."
        reply = send_to_ollama(prompt)
        print(f"\nChatbot: {reply}\n")

if __name__ == "__main__":
    run_chat_app()

Kết Luận

Việc ứng dụng các mô hình ngôn ngữ lớn như Granite kết hợp với Ollama đã mở ra một hướng đi mới, giúp đơn giản hóa việc truy vấn dữ liệu chuyên sâu cho các đối tượng không chuyên về kỹ thuật.

Mẫu ứng dụng đơn giản trình bày đã minh chứng rõ ràng sức mạnh của công nghệ này trong việc thúc đẩy sự độc lập và nhanh nhạy của người dùng kinh doanh khi làm việc với dữ liệu, loại bỏ rào cản kỹ thuật. Đây là bước đệm quan trọng hướng đến môi trường làm việc dữ liệu định hướng hiệu quả và sáng tạo hơn.

Nếu bạn quan tâm, hãy thử xây dựng một ứng dụng tương tự theo hướng dẫn và trải nghiệm sức mạnh của LLM trong việc khai thác dữ liệu doanh nghiệp!

Tham Khảo

Ollama Documentation: https://ollama.com/docs

SQLite Official Website: https://sqlite.org

Granite Model Overview: Granite AI model repository (tài liệu nội bộ)

Smith, J. (2024). "Using LLMs for Database Query Simplification", Journal of AI Applications.

Hồ sơ công nghệ Ollama & Granite, cập nhật June 1, 2024