Bạn có chán cảnh phải nhảy cóc giữa các công cụ database khác nhau? Hãy cùng khám phá giải pháp "độc cô cầu bại" biến mọi file thành database chỉ trong tích tắc và khai thác sức mạnh phân tích từ AI. Từ xử lý file CSV, JSON đến truy vấn SQL đa dạng và nhận insights tức thì, bài viết này sẽ chỉ cho bạn cách một giao diện thống nhất có thể biến đổi toàn bộ quy trình làm việc của bạn.

Lê Lân

21/08/2025

Khám phá cách Copilot tích hợp vào SQL Server Management Studio 21 thay đổi hoàn toàn cách bạn làm việc với SQL: tự động hoàn thành, tạo truy vấn từ ngôn ngữ tự nhiên, giải thích code và sửa lỗi. Tăng năng suất vượt trội!

Lê Lân

19/08/2025

Khám phá cách Copilot tích hợp trong SQL Server Management Studio 21 biến SSMS thành trợ lý AI thông minh, giúp bạn viết SQL nhanh hơn, chính xác hơn và dễ dàng hơn. Bài viết giải thích chi tiết các tính năng nổi bật như tự động hoàn thành code, chuyển đổi ngôn ngữ tự nhiên thành SQL, giải thích truy vấn phức tạp, hỗ trợ gỡ lỗi và trải nghiệm chat Copilot, đồng thời đưa ra lợi ích to lớn cho năng suất, chất lượng code và việc học tập.

Lê Lân

19/08/2025

Chào các bạn đồng nghiệp coder! Bạn có bao giờ cảm thấy 'phát điên' với mớ lộn xộn mang tên 'quản lý database' không? Nào là truy vấn database này trên pgAdmin, xong lại tải file CSV sang công cụ khác để phân tích, rồi xuất kết quả thủ công, cuối cùng lại nhảy sang ứng dụng khác để 'moi' ra insight. Ôi thôi rồi, cứ chuyển đi chuyển lại như 'chạy show' thế này thì còn đâu là năng suất nữa! Quy trình 'đau khổ' của chúng ta thường trông thế này đây: Bạn nhận được file CSV/JSON từ 'khách hàng' (hay sếp), rồi hì hục 'nhập cư' dữ liệu vào database (thủ công là chính!). Xong xuôi, lại lọ mọ viết câu lệnh SQL ở một công cụ khác. Có kết quả chưa? Chưa đâu, bạn còn phải xuất ra bảng tính, rồi tự mình 'vò đầu bứt tóc' tìm insight, cuối cùng là trình bày dưới một format 'trời ơi đất hỡi'. Vậy thì, sao chúng ta không 'gom' tất cả lại vào một nơi, và để AI 'gánh team' luôn phần phân tích nhỉ?<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/fragmented_workflow.png' alt='Quy trình làm việc rời rạc, gây ức chế'>Và đó chính là lý do tôi đã 'bứt rứt' mà tạo ra một công cụ quản lý database 'siêu toàn năng' dùng Streamlit! Em nó lo hết từ A đến Z, từ việc 'hô biến' file thành database cho đến phân tích dữ liệu 'có não' nhờ AI. Cùng xem em nó có gì đặc biệt nhé!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/unified_solution.png' alt='Giao diện giải pháp thống nhất'>Đầu tiên là 'trái tim' của hệ thống: Quản lý đa database với SQLAlchemy. Bạn cứ tưởng tượng SQLAlchemy như một 'thông dịch viên' siêu đẳng, giúp ứng dụng của chúng ta nói chuyện được với đủ loại database khác nhau như SQLite, PostgreSQL, MySQL, hay SQL Server mà không cần 'học' lại ngôn ngữ riêng của từng anh. Mọi thứ cứ 'mượt mà' như bơ vậy!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/sqlalchemy_connector.png' alt='SQLAlchemy kết nối đa database'>Tính năng 'đỉnh của chóp' mà tôi tự hào nhất chính là khả năng 'hô biến' file thành database chỉ trong nháy mắt! Bạn có file CSV hay JSON ư? Cứ 'quăng' vào đây, em nó sẽ tự động biến thành một database SQLite 'xịn sò' ngay tức thì, sẵn sàng cho bạn truy vấn. Đây là những 'phép màu' em nó làm được:<ul><li><b>Lấy mẫu thông minh:</b> File của bạn to 'chà bá lửa'? Đừng lo, em nó sẽ tự động lấy mẫu 10.000 bản ghi (hoặc tùy chỉnh) để xử lý nhanh gọn mà không 'ngốn' hết bộ nhớ.</li><li><b>Phát hiện schema tự động:</b> Không cần phải đau đầu định nghĩa kiểu dữ liệu hay cấu trúc bảng thủ công nữa. AI sẽ tự động 'đọc vị' và thiết lập schema chuẩn chỉnh cho bạn!</li><li><b>Dọn dẹp cột 'bẩn':</b> Những tiêu đề cột lộn xộn, có ký tự đặc biệt? Chuyện nhỏ! Em nó sẽ tự động 'tẩy rửa' chúng sạch sẽ.</li><li><b>Chế độ xem trước:</b> 'À ơi' xem trước dữ liệu trước khi chuyển đổi để đảm bảo mọi thứ 'ngon lành cành đào'.</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/file_to_db_magic.png' alt='Chuyển đổi file sang database tức thì'>Đến đây mới là phần 'kịch tính' nè! Sau khi bạn chạy bất kỳ câu lệnh SQL nào, công cụ của tôi sẽ 'triệu hồi' sức mạnh của AI từ Cohere để 'tung ra' những insight thông minh, siêu cấp đáng yêu:<ul><li><b>Phân tích tự động:</b> Cung cấp các insight tổng quan về bộ dữ liệu của bạn.</li><li><b>Gợi ý biểu đồ:</b> AI sẽ 'tư vấn' những loại biểu đồ, đồ thị phù hợp nhất để bạn dễ dàng trực quan hóa dữ liệu.</li><li><b>Phân tích tùy chỉnh:</b> Bạn có câu hỏi cụ thể? Cứ 'hỏi xoáy đáp xoay', AI sẽ giúp bạn tìm ra câu trả lời trong dữ liệu.</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/ai_powered_insights.png' alt='Phân tích thông minh nhờ AI'>Thôi nói lý thuyết suông hoài cũng chán, mình cùng 'nhảy' vào một ví dụ thực tế 'nóng hổi' về phân tích dữ liệu nhân sự nhé! Tôi đã tích hợp sẵn một bộ dữ liệu mẫu để bạn dễ hình dung.<br><b>Schema mẫu:</b><pre>-- Employees table<br>CREATE TABLE employees (<br> id INTEGER PRIMARY KEY,<br> name TEXT NOT NULL,<br> department TEXT,<br> salary REAL NOT NULL,<br> hire_date DATE NOT NULL<br>);<br>-- Departments table<br>CREATE TABLE departments (<br> id INTEGER PRIMARY KEY,<br> name TEXT NOT NULL,<br> budget REAL<br>);</pre><br><b>Truy vấn mẫu:</b><pre>SELECT e.name, e.salary, d.budget, (e.salary / d.budget * 100) as salary_budget_ratio<br>FROM employees e JOIN departments d ON e.department = d.name<br>WHERE e.salary &gt; 65000;</pre><br><b>Kết quả phân tích từ AI:</b> "AI 'phán' thế này nè: 'Những nhân viên có mức lương cao của bạn chiếm 60% tổng lực lượng lao động nhưng lại 'ngốn' tới 78% ngân sách phòng ban. Kỹ thuật cho thấy hiệu quả lương trên ngân sách cao nhất với 15%, trong khi nhân viên Marketing có mức đãi ngộ cao hơn 32% so với nguồn lực của phòng ban. Hãy xem xét việc phân bổ lại ngân sách hoặc điều chỉnh dựa trên hiệu suất nhé!'"<br>Thấy chưa? Một insight 'đáng giá ngàn vàng' như thế này mà bình thường bạn phải tự mình phân tích, 'vắt óc' suy nghĩ. Giờ thì AI 'xử' trong vòng một nốt nhạc!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/employee_analytics_ai.png' alt='Ví dụ phân tích nhân sự bằng AI'><br>Những 'món ngon' trong bếp lập trình của tôi:<br><ul><li><b>Quản lý trạng thái phiên làm việc (Session State Management):</b> Để bạn không phải 'kết nối lại từ đầu' mỗi khi ứng dụng 'refresh', tôi đã 'ém hàng' lịch sử truy vấn và kết nối database trong `st.session_state`. Nhờ đó, trải nghiệm của bạn luôn 'mượt mà' như lụa, không bị 'đứt gánh giữa đường'.<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/streamlit_session_state.png' alt='Quản lý trạng thái phiên Streamlit'></li><li><b>Xử lý lỗi & Bảo mật 'chuẩn chỉnh':</b> Đương nhiên là trong lập trình thì lỗi là chuyện 'cơm bữa'. Tôi đã xây dựng cơ chế `try-except` để 'bắt' những lỗi SQL 'khó chịu' và hiển thị thông báo rõ ràng cho bạn. Về bảo mật, mọi truy vấn đều dùng `SQLAlchemy's text()` để chống SQL Injection hiệu quả. Các khóa API được lưu trữ an toàn, và kết nối database luôn được kiểm tra trước khi thực hiện truy vấn.<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/security_error_handling.png' alt='Xử lý lỗi và bảo mật'></li><li><b>Tối ưu hóa hiệu suất 'max binh':</b> Để 'chiến' tốt với các bộ dữ liệu khổng lồ, tôi đã áp dụng:<ul><li><b>Lấy mẫu thông minh:</b> Ngăn chặn 'tràn bộ nhớ' khi xử lý file lớn.</li><li><b>Tải dữ liệu 'lười biếng':</b> Chỉ tải khi cần, giúp tiết kiệm tài nguyên.</li><li><b>Thao tác DataFrame hiệu quả:</b> Tận dụng tối đa sức mạnh của Pandas.</li><li><b>Quản lý pool kết nối:</b> Tăng tốc độ truy vấn database.</li></ul>Và để trải nghiệm của bạn 'lên tầm cao mới', tôi còn thêm vào:<ul><li>Lịch sử truy vấn giúp bạn 'gõ lại' lệnh cũ chỉ trong nháy mắt.</li><li>Các truy vấn mẫu có sẵn để bạn 'chơi thử' ngay lập tức.</li><li>Tính năng xuất kết quả 'thần tốc'.</li><li>Phản hồi trạng thái kết nối 'real-time'.</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/performance_optimization.png' alt='Tối ưu hóa hiệu suất'></li></ul><br>Và đây là 'thành quả'!<br><ul><li><b>Cách mạng hóa quy trình làm việc:</b><ul><li><b>Trước đây:</b> Bạn phải 'vật lộn' với 6 bước, dùng đủ loại công cụ khác nhau, tốn hơn 30 phút. (Ôi thôi!)</li><li><b>Bây giờ:</b> Chỉ cần một giao diện duy nhất, 'xử gọn' trong vòng 5 phút! (Quá đã!)</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/workflow_transformation.png' alt='Chuyển đổi quy trình làm việc'></li><li><b>Những con số 'biết nói':</b><ul><li><b>Xử lý file:</b> Biến CSV/JSON thành database sẵn sàng truy vấn chỉ dưới 30 giây.</li><li><b>Phân tích AI:</b> Tạo insight 'thần tốc' trong chưa đầy 3 giây.</li><li><b>Hỗ trợ đa database:</b> Một giao diện duy nhất 'cân' được 4 loại database phổ biến.</li><li><b>Thực thi truy vấn:</b> Kết quả hiển thị 'real-time', định dạng đẹp mắt.</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/key_metrics_results.png' alt='Các chỉ số hiệu suất quan trọng'></li><li><b>Phản hồi 'ấm lòng' từ người dùng:</b><ul><li><b>Anh em phân tích dữ liệu:</b> 'Cuối cùng thì cũng có một công cụ làm được hết mọi thứ!'</li><li><b>Các bạn làm kinh doanh:</b> 'Giờ tôi có thể tự truy vấn file mà không cần học SQL luôn!'</li><li><b>Các lập trình viên:</b> 'Quá hoàn hảo để xây dựng dashboard phân tích nội bộ!'</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/user_feedback_happy.png' alt='Phản hồi tích cực từ người dùng'></li></ul><br>Những bài học xương máu mà tôi 'thu hoạch' được:<br><ul><li><b>1. Xử lý file: Đừng tưởng bở!</b> File CSV 'khó chiều' hơn bạn nghĩ nhiều đó. Để 'thuần phục' chúng, tôi đã phải xây dựng một bộ parser 'siêu đẳng' có khả năng phát hiện nhiều loại dấu phân cách và xử lý mã hóa linh hoạt.<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/file_handling_complexity.png' alt='Phức tạp trong xử lý file'></li><li><b>2. Đưa 'bối cảnh' cho AI là chìa khóa:</b> AI có thông minh đến mấy mà không được cung cấp đủ 'bối cảnh' về cấu trúc dữ liệu hay nghiệp vụ kinh doanh thì cũng 'tịt'. Việc cung cấp ngữ cảnh đầy đủ giúp AI đưa ra những insight chất lượng vượt trội.<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/ai_context_management.png' alt='Quản lý ngữ cảnh AI'></li><li><b>3. Quản lý trạng thái Streamlit: Quan trọng hơn bạn nghĩ!</b> Để kết nối database không bị 'đứt gánh' và trải nghiệm người dùng luôn 'mượt mà', việc xử lý trạng thái phiên `session state` một cách chuẩn xác là cực kỳ quan trọng.<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/streamlit_state_management.png' alt='Quản lý trạng thái Streamlit'></li><li><b>4. 'Khéo léo' với SQLAlchemy:</b> Nghe thì có vẻ đơn giản là 'kết nối mọi database', nhưng thực tế, việc quản lý engine và vòng đời kết nối của SQLAlchemy cần sự tỉ mỉ và cẩn trọng đó nha!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/sqlalchemy_abstractions.png' alt='Trừu tượng hóa SQLAlchemy'></li></ul><br>Tương lai 'tươi sáng' với những tính năng 'xịn sò' hơn nữa:<br><ul><li><b>Tính năng dự kiến:</b><ul><li><b>Xây dựng truy vấn bằng hình ảnh (Visual Query Builder):</b> Một giao diện kéo-thả 'thần thánh' dành cho những ai không muốn 'nhức đầu' với SQL.</li><li><b>Truy vấn theo lịch (Scheduled Queries):</b> Tự động tạo báo cáo mà không cần bạn 'đụng tay'.</li><li><b>Trực quan hóa nâng cao:</b> Tạo biểu đồ trực tiếp từ gợi ý của AI.</li><li><b>Hỗ trợ đa người dùng:</b> Tích hợp xác thực và quản lý phiên.</li><li><b>Thêm 'đối tác' AI:</b> Kết nối với OpenAI và Anthropic Claude.</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/planned_features_future.png' alt='Các tính năng dự kiến trong tương lai'></li><li><b>Cải tiến kỹ thuật:</b><ul><li><b>Thực thi truy vấn bất đồng bộ:</b> Tăng hiệu suất, giảm thời gian chờ.</li><li><b>Lớp bộ nhớ đệm (Caching layer):</b> 'Ghi nhớ' kết quả truy vấn lặp lại để trả về 'tức thì'.</li><li><b>Thuật toán lấy mẫu nâng cao:</b> Đảm bảo dữ liệu mẫu 'đại diện' tốt hơn cho toàn bộ tập dữ liệu.</li><li><b>Gợi ý tối ưu hóa truy vấn từ AI:</b> AI sẽ 'hiến kế' để câu lệnh SQL của bạn chạy nhanh hơn.</li></ul><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/technical_improvements_future.png' alt='Cải tiến kỹ thuật'></li></ul><br>Sau hành trình 'khám phá' và xây dựng công cụ này, tôi nhận ra một điều 'đắt giá': Giá trị thực sự không nằm ở từng tính năng riêng lẻ, mà là ở việc loại bỏ 'cơn ác mộng' chuyển đổi ngữ cảnh. Khi người dùng có thể biến file 'thô' thành những insight 'đáng tiền' chỉ trong một giao diện duy nhất, năng suất làm việc sẽ 'tăng vọt' một cách khủng khiếp!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/unified_workflow_conclusion.png' alt='Sức mạnh của quy trình làm việc thống nhất'><br>Những điểm 'sáng' làm nên thành công của dự án này chính là:<ul><li><b>Kết nối database 'vạn năng':</b> Xóa bỏ sự 'phân mảnh' công cụ.</li><li><b>Chuyển đổi file thông minh:</b> 'Đá bay' công đoạn chuẩn bị dữ liệu thủ công.</li><li><b>Insight 'có não' nhờ AI:</b> Thay thế hoàn toàn phân tích thủ công.</li><li><b>Giao diện 'một cửa':</b> Đơn giản hóa toàn bộ quy trình làm việc.</li></ul>Vậy nên, nếu bạn là lập trình viên đang xây dựng các công cụ nội bộ hay giải pháp phân tích, mô hình kiến trúc 'giao diện thống nhất + tự động hóa thông minh + tăng cường AI' này chính là một 'vũ khí' lợi hại để giải quyết những quy trình làm việc phức tạp đó!<br>Còn chần chừ gì nữa mà không 'thử sức' ngay? Toàn bộ dự án này là mã nguồn mở, bạn hoàn toàn có thể tùy chỉnh cho riêng mình nhé!<br>À mà, trong tổ chức của bạn, còn 'nỗi đau' nào về quản lý database mà phương pháp 'thống nhất' này có thể giải quyết được không? Tôi rất muốn nghe về những quy trình làm việc có thể 'lột xác' nhờ tự động hóa tương tự đó!<br><br><b>Bộ công nghệ 'nổi bật':</b> Python, Streamlit, SQLAlchemy, Pandas, Cohere AI<br><b>Mã nguồn:</b> <a href='https://github.com/AkanimohOD19A/gen_ai-sql-w-inx' target='_blank'>https://github.com/AkanimohOD19A/gen_ai-sql-w-inx</a><br><b>Bản demo trực tuyến:</b> <a href='https://smart-dbms.streamlit.app/' target='_blank'>https://smart-dbms.streamlit.app/</a>

Lê Lân

18/08/2025

Khám phá hành trình biến một mô hình dự đoán rời mạng khách hàng từ Jupyter Notebook thành API sẵn sàng sản xuất. Bài viết đi sâu vào pipeline tùy chỉnh, xử lý dữ liệu mất cân bằng và triển khai với FastAPI.

Lê Lân

17/08/2025

Chào bạn, bạn có tin được không? Nền tảng phân tích dữ liệu phi cấu trúc của Snowflake lại vừa có một bước nhảy vọt ngoạn mục! Sau khi mở rộng khả năng của Cortex AI cho hình ảnh và tài liệu trong suốt năm 2025, giờ đây, chúng ta có thể làm việc với dữ liệu âm thanh *trực tiếp từ SQL*! Nghe "ảo diệu" quá đúng không?\n\nChức năng AI_TRANSCRIBE mới toanh, vừa ra mắt dưới dạng Public Preview trong Snowflake Cortex AISQL, hứa hẹn sẽ thay đổi hoàn toàn cách chúng ta xử lý dữ liệu âm thanh. Nào là các cuộc gọi hỗ trợ khách hàng, ghi âm cuộc họp, phỏng vấn... tất tần tật những kho tài nguyên âm thanh 'khó nhằn' này giờ đây có thể được chuyển đổi thành văn bản chỉ với một câu lệnh SQL duy nhất! Tuyệt vời hơn nữa, bạn còn có thể kết hợp nó với các chức năng AISQL khác để thực hiện phân tích chuyên sâu.\n\nVới sự hỗ trợ cho hình ảnh, tài liệu và giờ là âm thanh – ba định dạng dữ liệu phi cấu trúc 'khổng lồ' nhất – Snowflake đã mở rộng đáng kể khả năng phân tích dữ liệu kinh doanh. Nào, chúng ta hãy cùng nhau khám phá AI_TRANSCRIBE hoạt động thế nào, những ứng dụng 'thực chiến' của nó, và tôi thậm chí còn chia sẻ một chatbot AI nhận diện giọng nói cực chất được xây dựng bằng Streamlit trong Snowflake nữa đấy!\n\nLưu ý nhỏ xíu: Chức năng AI_TRANSCRIBE hiện đang trong giai đoạn Public Preview, nên các tính năng có thể có những cập nhật lớn trong tương lai nhé. À, và bài viết này thể hiện quan điểm cá nhân của tôi, không phải của Snowflake đâu nha!\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/sound_to_text.png' alt='Âm thanh chuyển thành văn bản'>\n\nVậy, 'em nó' AI_TRANSCRIBE là gì mà 'hot' vậy? Đơn giản thôi, đây chính là chức năng 'biến' âm thanh thành văn bản của Snowflake Cortex AISQL! Trước đây, để tận dụng dữ liệu âm thanh, bạn phải 'loay hoay' với các dịch vụ bên ngoài hoặc thư viện của bên thứ ba, tốn công tốn sức đủ đường. Nhưng giờ đây, AI_TRANSCRIBE cho phép bạn chuyển đổi âm thanh trực tiếp ngay trong các truy vấn SQL của mình. Cứ như có một 'phù thủy ngôn ngữ' ngay trong database của bạn vậy!\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/snowflake_cortex_ai.png' alt='Snowflake Cortex AI'>\n\nĐiểm danh những tính năng 'đỉnh của chóp' của AI_TRANSCRIBE nào:\n* **Tích hợp SQL "chuẩn chỉnh"**: Gọi trực tiếp từ SQL y như các hàm AISQL 'xịn sò' khác, tích hợp dễ như ăn kẹo!\n* **Hỗ trợ đa ngôn ngữ**: 'Hiểu' được vô số ngôn ngữ, từ tiếng Anh, Tây Ban Nha, Pháp, Đức đến tiếng Trung (Quan Thoại, Quảng Đông), Nhật, Hàn và rất nhiều tiếng khác nữa. Thật bá đạo!\n* **Nhận diện người nói**: 'Biết' và dán nhãn cho nhiều người nói khác nhau. Ai nói gì, ai nói lúc nào, rõ mồn một!\n* **Tạo dấu thời gian**: Cung cấp dấu thời gian chi tiết đến từng từ hoặc từng người nói. Giúp bạn tìm kiếm thông tin cực nhanh!\n* **Xử lý an toàn "tuyệt mật"**: Mọi dữ liệu đều được xử lý bên trong môi trường bảo mật 'đỉnh cao' của Snowflake. Yên tâm mà dùng nhé!\n\nSức mạnh của AI_TRANSCRIBE còn được nhân lên gấp bội khi nó 'bắt tay' với các chức năng Cortex AISQL hiện có:\n* **AI_SENTIMENT**: Phân tích cảm xúc trong văn bản đã chuyển đổi từ âm thanh. Biết được khách hàng đang vui, buồn, hay 'giận tím người' ngay!\n* **AI_CLASSIFY**: Tự động phân loại nội dung âm thanh. Giúp bạn sắp xếp 'núi' dữ liệu mà không tốn sức!\n* **AI_COMPLETE**: Tóm tắt hoặc trả lời các câu hỏi về nội dung âm thanh. Giúp bạn nắm bắt thông tin nhanh chóng.\n* **AI_AGG**: Trích xuất thông tin chuyên sâu từ dữ liệu âm thanh được nhóm lại. Biến dữ liệu thô thành 'vàng'!\n* **AI_EMBED**: Chuyển đổi văn bản đã chuyển đổi thành vector để tìm kiếm sự tương đồng. 'Mò kim đáy bể' giờ đây thật dễ dàng!\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/ai_sql_functions.png' alt='Hàm AISQL kết hợp'>\n\nCú pháp cơ bản của AI_TRANSCRIBE thì siêu đơn giản, ai cũng có thể 'thực hành' được ngay:\n`AI_TRANSCRIBE( <file_âm_thanh> [ , <tùy_chọn> ] )`\n\nCác tham số:\n* `file_âm_thanh`: Một đối tượng kiểu `FILE` đại diện cho tệp âm thanh. Bạn cứ dùng hàm `TO_FILE` để 'trỏ' đến các tệp đã được đưa lên stage là được.\n* `tùy_chọn`: Một đối tượng kiểu `OBJECT` tùy chọn với các trường sau:\n * `timestamp_granularity`: Chỉ định mức độ chi tiết của dấu thời gian.\n * `"word"`: Dấu thời gian cho từng từ (siêu chi tiết!).\n * `"speaker"`: Dấu thời gian và nhãn cho từng người nói (biết ai nói đoạn nào!).\n\nTrường hợp sử dụng đơn giản nhất là 'biến hóa' file âm thanh thành văn bản thuần túy:\n`-- Biến file âm thanh thành văn bản`\n`SELECT AI_TRANSCRIBE( TO_FILE('@audio_stage', 'customer_call_001.wav'));`\n\nKết quả sẽ trả về một chuỗi JSON như vầy:\n`{ "audio_duration": 19.08, "text": "Hi, I'd like to inquire about the product I purchased last week. The packaging was damaged when it arrived, and I'd like to request an exchange if possible. Could you help me with this? Thank you."}`\n\nÀ, một điểm đáng kinh ngạc nữa là: thời gian xử lý cho file âm thanh 19 giây này chỉ mất khoảng 2 giây mà thôi! Nhanh chóng một cách ấn tượng cho các kịch bản phân tích đúng không nào!\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/sql_query_icon.png' alt='Ví dụ truy vấn SQL'>\n\nNếu bạn muốn phân tích siêu chi tiết, hãy thêm dấu thời gian cấp độ từ (word-level timestamps):\n`-- Chuyển đổi kèm dấu thời gian cấp độ từ`\n`SELECT AI_TRANSCRIBE( TO_FILE('@audio_stage', 'meeting_recording.wav'), {'timestamp_granularity': 'word'});`\n\nKết quả sẽ chi tiết đến từng từ, cho bạn cái nhìn sâu sắc nhất:\n`{ "audio_duration": 19.08, "segments": [ { "end": 1.254, "start": 0.993, "text": "Hi" }, { "end": 1.434, "start": 1.254, "text": "I'd" }, { "end": 1.514, "start": 1.434, "text": "like" } // ... còn nhiều đoạn nữa ], "text": "Hi I'd like to inquire about the product..."}`\n\nĐối với các cuộc họp hay phỏng vấn có nhiều người nói, bạn chỉ cần dùng tính năng nhận diện người nói là xong:\n`-- Chuyển đổi kèm nhận diện người nói`\n`SELECT AI_TRANSCRIBE( TO_FILE('@audio_stage', 'interview_2025.mp3'), {'timestamp_granularity': 'speaker'});`\n\nKết quả sẽ trả về cả nhãn của từng người nói, giúp bạn dễ dàng theo dõi cuộc trò chuyện:\n`{ "audio_duration": 16.2, "segments": [ { "end": 8.461, "speaker_label": "SPEAKER_00", "start": 0.511, "text": "Good morning, thank you for joining us today. My name is Sarah." }, { "end": 15.153, "speaker_label": "SPEAKER_01", "start": 9.048, "text": "Thank you for having me. I'm John, pleased to be here." } ], "text": "Good morning, thank you for joining us today. My name is Sarah. Thank you for having me. I'm John, pleased to be here."}`\n\n**Ngôn ngữ được hỗ trợ:** AI_TRANSCRIBE hỗ trợ một danh sách ngôn ngữ 'khủng' bao gồm: Tiếng Anh, Tây Ban Nha, Pháp, Đức, Trung Quốc (Quan Thoại, Quảng Đông), Nhật Bản, Hàn Quốc, Ả Rập, Bulgaria, Catalan, Séc, Hà Lan, Hy Lạp, Hungary, Indonesia, Ý, Latvia, Ba Lan, Bồ Đào Nha, Romania, Nga, Serbia, Slovenia, Thụy Điển, Thái Lan, Thổ Nhĩ Kỳ, Ukraina. Gần như 'phủ sóng' toàn cầu luôn!\n\n**Định dạng âm thanh được hỗ trợ:** Các định dạng âm thanh phổ biến đều được 'chăm sóc' cẩn thận:\n* **MP3**: Định dạng âm thanh phổ biến nhất (chắc ai cũng biết!).\n* **WAV**: Âm thanh chất lượng cao, không nén (nghe 'sướng tai'!).\n* **FLAC**: Âm thanh nén không mất dữ liệu (vừa gọn nhẹ vừa chất lượng!).\n* **Ogg**: Định dạng mã nguồn mở (thân thiện với cộng đồng!).\n* **WebM**: Định dạng chuẩn cho web (tối ưu cho trải nghiệm online!).\n\nTuy 'siêu việt' nhưng AI_TRANSCRIBE cũng có vài 'điểm cần lưu ý' nhỏ xíu nhé:\n* **Giới hạn kỹ thuật**:\n * **Kích thước tệp tối đa**: 700MB (Khá rộng rãi rồi đúng không?).\n * **Thời lượng tối đa (không dấu thời gian)**: 120 phút.\n * **Thời lượng tối đa (có dấu thời gian)**: 60 phút.\n * **Xử lý đồng thời**: Tùy thuộc vào tài nguyên tính toán của tài khoản bạn.\n* **Những điều cần cân nhắc khi sử dụng**:\n * **Chất lượng âm thanh**: Tiếng ồn xung quanh hay chất lượng âm thanh kém có thể làm giảm độ chính xác của bản chuyển đổi. Cứ như bạn đang cố nghe một người nói trong quán karaoke vậy!\n * **Thuật ngữ chuyên ngành**: Các thuật ngữ đặc thù của ngành hoặc tên riêng có thể không được chuyển đổi hoàn toàn chính xác. Ví dụ: tên công ty, tên thuốc khó đọc.\n * **Hành vi theo ngôn ngữ**: Một số ngôn ngữ có thể có những hành vi đặc biệt với dấu thời gian cấp độ từ.\n * **Xử lý theo lô (chưa real-time)**: Hiện tại, AI_TRANSCRIBE chỉ hỗ trợ xử lý theo lô (batch processing), chưa phải là xử lý trực tuyến (real-time streaming) đâu nha.\n\nAI_TRANSCRIBE hiện có sẵn 'ngay và luôn' tại các khu vực sau:\n* AWS US West 2 (Oregon)\n* AWS US East 1 (N. Virginia)\n* AWS EU Central 1 (Frankfurt)\n* Azure East US 2 (Virginia)\nĐối với các khu vực khác, bạn vẫn có thể 'chạm tay' vào AI_TRANSCRIBE bằng cách sử dụng tính năng 'suy luận liên vùng' (cross-region inference), nhưng có thể sẽ có một chút độ trễ nhỏ nhé.\n\nAI_TRANSCRIBE tỏa sáng 'rực rỡ' trong vô vàn tình huống kinh doanh:\n\n1. **Nâng cao chất lượng dịch vụ khách hàng**:\n * **Phân tích cảm xúc**: Dùng AI_SENTIMENT để 'soi' mức độ chuyên nghiệp, khả năng giải quyết vấn đề, hay cảm nhận của khách hàng về thời gian chờ.\n * **Phân loại cuộc gọi**: Tự động dán nhãn các cuộc gọi là khiếu nại, yêu cầu, hay lời khen ngợi bằng AI_CLASSIFY.\n * **Tách riêng người nói**: Phân tích giọng nói của nhân viên tổng đài và khách hàng riêng biệt để có cái nhìn chi tiết hơn.\n * **Bảng điều khiển (dashboard) thời gian thực**: Trực quan hóa kết quả phân tích để cải thiện chất lượng dịch vụ ngay lập tức.\n\n2. **Tự động hóa cuộc họp và trích xuất 'việc cần làm'**:\n * **Biên bản cuộc họp tự động**: Lập tức có được toàn bộ nội dung văn bản từ các cuộc họp dài lê thê.\n * **Tạo bản tóm tắt**: Dùng AI_COMPLETE để tạo ra các bản tóm tắt cuộc họp súc tích.\n * **Trích xuất mục hành động**: Tự động xác định các quyết định và 'to-do list' để theo dõi hiệu quả.\n * **Phân tích người tham gia**: Theo dõi ai đã nói gì bằng tính năng nhận diện người nói.\n\n3. **Tự động hóa pháp lý và tuân thủ**:\n * **Tài liệu hoàn chỉnh**: Lưu giữ toàn bộ các cuộc đàm phán hợp đồng và thảo luận pháp lý dưới dạng văn bản.\n * **Phát hiện rủi ro tuân thủ**: Phân loại nội dung cuộc trò chuyện theo mức độ rủi ro bằng AI_CLASSIFY.\n * **Lưu giữ bằng chứng**: Ghi lại chính xác ai đã nói gì và khi nào với tính năng nhận diện người nói và dấu thời gian.\n * **Báo cáo kiểm toán tự động**: Trích xuất các điểm chính và tạo tài liệu sẵn sàng cho kiểm toán.\n\n4. **Nâng cao giáo dục và đào tạo**:\n * **Lưu trữ bài giảng**: Lưu nội dung khóa học dưới dạng văn bản có thể tìm kiếm được.\n * **Tạo phụ đề**: Thêm phụ đề cho tài liệu video bằng dấu thời gian cấp độ từ.\n * **Phân tích phản hồi đào tạo**: Xác định các lĩnh vực cần cải thiện trong phương pháp đào tạo.\n * **Hỗ trợ đa ngôn ngữ**: Chuyển đổi các khóa học tiếng nước ngoài để dễ dàng xem lại.\n\n5. **Hồ sơ y tế (với kiểm soát quyền riêng tư chặt chẽ)**:\n * **Ghi chú lâm sàng tự động**: Tạo hồ sơ y tế có cấu trúc từ các cuộc trò chuyện giữa bác sĩ và bệnh nhân.\n * **Tích hợp EHR**: Trích xuất thông tin liên quan cho hồ sơ sức khỏe điện tử.\n * **Chăm sóc bệnh nhân đa ngôn ngữ**: Hỗ trợ bệnh nhân quốc tế bằng tính năng chuyển đổi và dịch thuật.\n * **Đảm bảo chất lượng**: Phân tích nội dung tư vấn để cải thiện dịch vụ y tế.\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/business_insights.png' alt='Phân tích kinh doanh và thông tin chi tiết'>\n\nGiờ thì, hãy cùng 'xắn tay áo' xây dựng một chatbot AI hỗ trợ giọng nói siêu đơn giản bằng AI_TRANSCRIBE trong Streamlit trên Snowflake nhé! Người dùng có hỏi bằng giọng nói, chatbot sẽ 'biến' giọng nói thành văn bản và sau đó được AI (bao gồm cả OpenAI GPT-5 mới toanh!) trả lời.\n\nỨng dụng này sẽ cung cấp cho bạn:\n* **Ghi âm giọng nói**: Ghi âm trực tiếp từ trình duyệt và lưu vào stage.\n* **Chuyển đổi âm thanh**: Chuyển thành văn bản bằng AI_TRANSCRIBE.\n* **Tạo phản hồi AI**: Tạo câu trả lời bằng AI_COMPLETE.\n\nBạn cần gì để bắt đầu? Không nhiều đâu!\n* **Yêu cầu môi trường**:\n * **Phiên bản Python**: 3.11 trở lên.\n * **Các gói bổ sung**: Không cần gì thêm (chỉ cần các gói chuẩn là 'chiến' được rồi).\n * **Streamlit trong Snowflake**: Môi trường để tạo và chạy ứng dụng (đây là nơi 'phép màu' xảy ra!).\n* **Kiểm tra khu vực**: Đảm bảo khu vực của bạn hỗ trợ các chức năng AI_TRANSCRIBE và AI_COMPLETE, hoặc kích hoạt tính năng suy luận liên vùng nhé.\n\nCác bước thực hiện thì 'dễ như ăn bánh':\n\n1. **Tạo một ứng dụng Streamlit mới trong Snowflake**:\n * Truy cập 'Streamlit' trong thanh bên trái của Snowsight và nhấp vào '+ Streamlit' để tạo ứng dụng mới.\n2. **Dán mã mẫu**:\n * Sao chép và dán trực tiếp mã mẫu bên dưới vào trình chỉnh sửa ứng dụng. Không cần chỉnh sửa gì cả – tên stage đã được tự động cấu hình rồi!\n3. **Chạy ứng dụng**:\n * Nhấp vào nút "Run" để khởi chạy ứng dụng. Stage sẽ được tạo tự động trong lần chạy đầu tiên.\n4. **Sử dụng ứng dụng**:\n * **Nhập giọng nói**: Nhấp vào nút micro để nói (như đang nói chuyện với một người bạn vậy!).\n * **Chọn mô hình**: Chọn mô hình AI bạn muốn từ thanh bên.\n * **Nhập văn bản**: Bạn cũng có thể nhập văn bản thông thường nếu muốn.\n\n```python\nimport streamlit as st\nimport io\nimport uuid\nimport json\nfrom datetime import datetime\nfrom snowflake.snowpark.context import get_active_session\nfrom snowflake.snowpark.functions import ai_complete, to_file\n\n# Get Snowflake session\nsession = get_active_session()\n\n# Constants\nSTAGE_NAME = \"AUDIO_TRANSCRIBE_STAGE\"\n\n# Page configuration\nst.set_page_config(layout=\"wide\")\nst.title(\"AI Voice Chatbot\")\n\n# Sidebar: Model selection\nst.sidebar.title(\"⚙️ Settings\")\n\n# Model options\nmodel_options = [\n \"━━━ 🟢 OpenAI ━━━\",\n \"openai-gpt-oss-120b\",\n \"openai-gpt-oss-20b\",\n \"openai-gpt-5\",\n \"openai-gpt-5-mini\",\n \"openai-gpt-5-nano\",\n \"openai-gpt-5-chat\",\n \"openai-gpt-4.1\",\n \"openai-o4-mini\",\n \"━━━ 🔵 Claude ━━━\",\n \"claude-4-opus\",\n \"claude-4-sonnet\",\n \"claude-3-7-sonnet\",\n \"claude-3-5-sonnet\",\n \"━━━ 🦙 Llama ━━━\",\n \"llama4-maverick\",\n \"llama4-scout\",\n \"llama3.3-70b\",\n \"llama3.2-3b\",\n \"llama3.2-1b\",\n \"llama3.1-405b\",\n \"llama3.1-70b\",\n \"llama3.1-8b\",\n \"llama3-70b\",\n \"llama3-8b\",\n \"━━━ 🟣 Mistral ━━━\",\n \"mistral-large2\",\n \"mistral-large\",\n \"mixtral-8x7b\",\n \"mistral-7b\",\n \"━━━ ❄️ Snowflake ━━━\",\n \"snowflake-arctic\",\n \"snowflake-llama-3.3-70b\",\n \"snowflake-llama-3.1-405b\",\n \"━━━ 🔴 Others ━━━\",\n \"deepseek-r1\",\n \"reka-core\",\n \"reka-flash\",\n \"jamba-1.5-large\",\n \"jamba-1.5-mini\",\n \"jamba-instruct\",\n \"gemma-7b\"\n]\n\n# Default model setting\ndefault_model = \"llama4-maverick\"\ndefault_index = model_options.index(default_model) if default_model in model_options else 1\nllm_model = st.sidebar.radio(\n \"Select AI Model\",\n options=model_options,\n index=default_index,\n format_func=lambda x: x if \"━━━\" in x else f\" • {x}\"\n)\n\n# Use next model if separator is selected\nif \"━━━\" in llm_model:\n llm_model = \"llama4-maverick\"\n\n# Stage setup\[email protected]_resource\ndef setup_stage():\n \"\"\"Setup stage for audio file storage\"\"\"\n try:\n session.sql(f\"DESC STAGE {STAGE_NAME}\").collect()\n except:\n session.sql(f\"\"\"\n CREATE STAGE IF NOT EXISTS {STAGE_NAME}\n ENCRYPTION = (TYPE = 'SNOWFLAKE_SSE')\n DIRECTORY = (ENABLE = TRUE)\n \"\"\").collect()\n\nsetup_stage()\n\n# Initialize session state\nif 'messages' not in st.session_state:\n st.session_state.messages = []\n st.session_state.chat_history = \"\"\n\ndef extract_text_from_transcript(transcript_result):\n \"\"\"Extract text from AI_TRANSCRIBE result\"\"\"\n if isinstance(transcript_result, str) and transcript_result.startswith('{'):\n try:\n return json.loads(transcript_result).get('text', '')\n except:\n return transcript_result\n return transcript_result\n\ndef clean_ai_response(response):\n \"\"\"Clean up AI response\"\"\"\n if isinstance(response, str):\n response = response.strip('\"')\n response = response.replace('\\\\n', '\\n')\n return response\n\ndef generate_ai_response(prompt, model):\n \"\"\"Generate AI response\"\"\"\n df = session.range(1).select(\n ai_complete(model=model, prompt=prompt).alias(\"response\")\n )\n return clean_ai_response(df.collect()[0]['RESPONSE'])\n\n# Display chat history\nfor message in st.session_state.messages:\n with st.chat_message(message[\"role\"]):\n st.markdown(message[\"content\"])\n\n# Voice input section\nst.subheader(\"Voice Input\")\naudio_value = st.audio_input(\"Click the microphone button to speak\")\n\nif st.button(\"📤 Send Voice\", disabled=(audio_value is None), use_container_width=True):\n if audio_value:\n try:\n # Upload audio file\n with st.spinner(\"🎤 Uploading audio...\"):\n audio_filename = f\"audio_{datetime.now().strftime('%Y%m%d_%H%M%S')}_{uuid.uuid4().hex[:8]}.wav\"\n audio_stream = io.BytesIO(audio_value.getvalue())\n session.file.put_stream(\n audio_stream,\n f\"@{STAGE_NAME}/{audio_filename}\",\n auto_compress=False,\n overwrite=True\n )\n\n # Transcribe\n with st.spinner(\"📝 Transcribing audio...\"):\n query = f\"\"\"\n SELECT AI_TRANSCRIBE(\n TO_FILE('@{STAGE_NAME}/{audio_filename}')\n ) as transcript\n \"\"\"\n result = session.sql(query).collect()\n if result and len(result) > 0:\n transcribed_text = extract_text_from_transcript(result[0]['TRANSCRIPT'])\n if transcribed_text:\n # Add user message\n st.session_state.messages.append({\"role\": \"user\", \"content\": transcribed_text})\n st.session_state.chat_history += f\"User: {transcribed_text}\\n\"\n\n # Generate AI response\n with st.spinner(\"🤖 AI is generating response...\"):\n full_prompt = st.session_state.chat_history + \"AI: \"\n response = generate_ai_response(full_prompt, llm_model)\n st.session_state.messages.append({\"role\": \"assistant\", \"content\": response})\n st.session_state.chat_history += f\"AI: {response}\\n\"\n st.rerun()\n else:\n st.warning(\"Transcription failed. Please try again.\")\n except Exception as e:\n st.error(f\"Error occurred: {str(e)}\")\n\n# Text input\nif prompt := st.chat_input(\"Enter your message...\"):\n # Add and display user message\n st.session_state.messages.append({\"role\": \"user\", \"content\": prompt})\n st.session_state.chat_history += f\"User: {prompt}\\n\"\n with st.chat_message(\"user\"):\n st.markdown(prompt)\n\n # Generate and display AI response\n try:\n with st.spinner(\"🤖 AI is generating response...\"):\n full_prompt = st.session_state.chat_history + \"AI: \"\n response = generate_ai_response(full_prompt, llm_model)\n st.session_state.messages.append({\"role\": \"assistant\", \"content\": response})\n st.session_state.chat_history += f\"AI: {response}\\n\"\n with st.chat_message(\"assistant\"):\n st.markdown(response)\n except Exception as e:\n st.error(f\"Error occurred: {str(e)}\")\n\n# Clear chat history\nif st.button(\"🗑️ Clear Chat History\"):\n st.session_state.messages = []\n st.session_state.chat_history = \"\"\n st.rerun()\n```\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F9qho81aiuncz9xtd24a1.png' alt='Giao diện Chatbot AI hỗ trợ giọng nói'>\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F46xzqa9nw1adt3ermx82.png' alt='Tương tác trò chuyện với đầu vào giọng nói'>\n\nNhững điểm nhấn 'cực đỉnh' của việc triển khai này là:\n* **Triển khai đơn giản**: Không cần gói bổ sung, chỉ cần thư viện chuẩn là đủ sức 'chiến' rồi!\n* **Quản lý âm thanh 'thông minh'**: Lưu trữ dữ liệu âm thanh trong các stage và xử lý bằng AI_TRANSCRIBE.\n* **Hỗ trợ đa phương thức**: Nhận cả đầu vào giọng nói và văn bản. Cực kỳ linh hoạt!\n* **Lựa chọn mô hình phong phú**: Thoải mái chọn lựa từ các mô hình mới nhất, bao gồm cả OpenAI GPT-5 'thần thánh'.\n\nGiờ thì nói chuyện 'tiền nong' một chút nhé! Giá của AI_TRANSCRIBE tuân theo mô hình dựa trên token giống như các chức năng AISQL khác:\n* **Tiêu thụ và định giá token**:\n * **50 token mỗi giây âm thanh**: Áp dụng nhất quán cho mọi ngôn ngữ và mức độ chi tiết dấu thời gian.\n * **1 giờ âm thanh = 180.000 token**.\n * **Ước tính chi phí**: Với 1,3 credits/triệu token và giả sử 3 USD/credit, 1 giờ xử lý âm thanh tốn khoảng 0,117 USD. (Nghe có vẻ nhỏ xíu đúng không?)\n* **Ví dụ**: Một tệp âm thanh dài 60 giây:\n * 60 giây × 50 token = 3.000 token.\n * **Lưu ý quan trọng**: Các tệp âm thanh dưới 1 phút sẽ được tính phí tối thiểu là 1 phút (3.000 token). Vì vậy, để tối ưu chi phí khi xử lý nhiều tệp âm thanh ngắn, hãy cân nhắc 'gộp' chúng lại với nhau để xử lý theo lô nhé!\nĐể biết thông tin giá mới nhất, bạn có thể tham khảo 'Bảng tiêu thụ dịch vụ Snowflake'.\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/cost_efficiency.png' alt='Biểu đồ hiệu quả chi phí'>\n\nTóm lại, AI_TRANSCRIBE chính là một chức năng 'đột phá' mở ra cánh cửa hoàn toàn mới cho việc phân tích dữ liệu âm thanh. Kết hợp với sự hỗ trợ tăng cường của Snowflake cho hình ảnh và tài liệu vào năm 2025, việc bổ sung âm thanh – định dạng dữ liệu phi cấu trúc 'thứ ba' – thực sự định vị Snowflake là một nền tảng dữ liệu đa phương thức toàn diện. Đúng là 'All-in-one'!\n\nNhững lợi ích 'cực khủng' mà bạn sẽ nhận được:\n* **Xử lý dữ liệu hợp nhất**: Xử lý tất cả các loại dữ liệu, bao gồm âm thanh, ngay trong Snowflake. Không cần 'chạy đi chạy lại' nhiều nơi nữa!\n* **Tích hợp chức năng AISQL**: Kết hợp dễ dàng với phân tích cảm xúc, phân loại, tóm tắt và chuyển đổi vector. Sức mạnh được nhân đôi!\n* **Môi trường bảo mật 'tuyệt đối'**: Không cần di chuyển dữ liệu ra bên ngoài, duy trì quản trị chặt chẽ. An tâm là trên hết!\n* **Hiệu quả phát triển vượt trội**: Xây dựng các pipeline phân tích âm thanh chỉ bằng SQL, không cần 'đau đầu' với các gói bên thứ ba. Phát triển 'siêu tốc'!\n\nTừ dịch vụ khách hàng và chuyển đổi cuộc họp đến hồ sơ y tế và tuân thủ pháp lý, AI_TRANSCRIBE đang 'khai thác' những thông tin giá trị từ dữ liệu âm thanh mà trước đây chúng ta bỏ qua. Hãy bắt đầu khám phá cách chức năng này có thể 'biến đổi' công việc phân tích kinh doanh của bạn ngay hôm nay!\n\nBạn đã thử phân tích âm thanh trong quy trình dữ liệu của mình chưa? Những trường hợp sử dụng nào khiến bạn hào hứng nhất? Hãy chia sẻ trải nghiệm của bạn trong phần bình luận bên dưới nhé!\n<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/data_platform.png' alt='Nền tảng dữ liệu đa phương tiện'>\n\nÀ, đừng quên theo dõi các cập nhật 'What's New' của Snowflake trên X (Twitter) nhé! Tôi sẽ chia sẻ những thông tin mới nhất tại đây:\n* **Phiên bản tiếng Anh**: Theo dõi Snowflake What's New Bot (English Version) tại đây: https://x.com/snow_new_en\n* **Phiên bản tiếng Nhật**: Theo dõi Snowflake's What's New Bot (Japanese Version) tại đây: https://x.com/snow_new_jp\n\n(20250810) Bài viết khởi tạo\nBài viết gốc tiếng Nhật tại: https://zenn.dev/tsubasa_tech/articles/65e96e2bd257ec

Lê Lân

15/08/2025

Bạn đang đau đầu vì câu truy vấn SQL chạy chậm như rùa bò? Đặc biệt là khi dùng IN với hàng ngàn giá trị? Khám phá cách 'thần kỳ' dùng JOIN với bảng tạm để tăng tốc truy vấn trên dataset khổng lồ, hiệu quả hơn gấp nhiều lần!

Lê Lân

26/07/2025

Copilot AI tích hợp vào SQL Server Management Studio (SSMS) 21 mang lại năng suất chưa từng có cho lập trình viên SQL. Khám phá tính năng hoàn thành code thông minh, chuyển đổi ngôn ngữ tự nhiên sang SQL, giải thích query phức tạp và hỗ trợ gỡ lỗi.

Lê Lân

25/07/2025

Khám phá cách Copilot tích hợp vào SSMS 21 đang cách mạng hóa việc phát triển SQL, từ tự động hoàn thành code đến chuyển đổi ngôn ngữ tự nhiên thành truy vấn, và hơn thế nữa. Tăng năng suất, giảm lỗi và học hỏi nhanh chóng.

Lê Lân

25/07/2025

Chào bạn! Trong thế giới xoay quanh dữ liệu ngày nay, khả năng "moi" ra những thông tin giá trị từ kho dữ liệu khổng lồ là chìa khóa vàng dẫn đến thành công của mọi doanh nghiệp. <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://dev-to-uploads.s3.amazonaws.com/uploads/articles/dy159et6g5jzpujb9ynj.png' alt='Mở khóa dữ liệu bằng AI'> Nhưng khoan đã, để làm được điều đó, bạn thường cần một kỹ năng "thượng thừa" là viết các câu lệnh SQL phức tạp. Đây chính là nút thắt cổ chai đó bạn! Nhiều anh chị em trong giới kinh doanh, dù siêu giỏi trong lĩnh vực của mình, lại không rành về kỹ thuật để "nói chuyện" trực tiếp với cơ sở dữ liệu. Và đây rồi, đây chính là lúc các Mô hình Ngôn ngữ Lớn (LLMs) như "gia đình" Ollama, đặc biệt là khi kết hợp với những "ngôi sao" như Granite, tỏa sáng rực rỡ! Chúng đang thay đổi hoàn toàn cách những người không chuyên về kỹ thuật có thể truy vấn và hiểu dữ liệu của mình. Bạn thử hình dung xem, bạn chỉ cần hỏi bằng ngôn ngữ tự nhiên thôi – kiểu như: “Cho tôi xem doanh số quý trước với!” hay “Những nhân viên nào làm ở phòng marketing vậy?” – và “phù phép” một cái, nó biến thành câu lệnh SQL chính xác, mà bạn chẳng cần gõ lấy một dòng code nào cả! Nghe có thần kỳ không? LLMs chính là cây cầu nối vĩ đại này đó! Chúng đóng vai trò như những "phiên dịch viên" siêu thông minh, biến ngôn ngữ đời thường của con người thành các truy vấn cơ sở dữ liệu có thể thực thi được. Điều này không chỉ giúp "dân chủ hóa" việc tiếp cận dữ liệu mà còn trao quyền cho các nhà kinh doanh tự mình tìm kiếm thông tin cần thiết, giúp đưa ra quyết định nhanh hơn và tạo ra một môi trường làm việc linh hoạt, am hiểu dữ liệu hơn bao giờ hết. Để dễ hình dung và minh họa, chúng ta sẽ cùng "mổ xẻ" ý tưởng này với hai cơ sở dữ liệu SQLite nhé! Một cơ sở dữ liệu sẽ lưu trữ thông tin cá nhân của mỗi người, như tên, họ và ngày sinh. Cơ sở dữ liệu thứ hai thì chứa chi tiết cụ thể về công việc của nhân viên, bao gồm lương, chức danh và phòng ban. Hai "anh em" cơ sở dữ liệu này được "ghép đôi" với nhau bằng một mã định danh duy nhất (unique ID) chung, giúp chúng ta dễ dàng kết hợp thông tin từ cả hai nguồn chỉ với một truy vấn đơn giản. Đầu tiên là cơ sở dữ liệu "personal_data" (dữ liệu cá nhân), nó chứa các thông tin rất đơn giản thôi: <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://dev-to-uploads.s3.amazonaws.com/uploads/articles/dzp5snjmxxgqmjk2uz00.png' alt='Cấu trúc bảng personal_data'> Cơ sở dữ liệu thứ hai thì là "employment_data" (dữ liệu công việc), chứa thông tin về việc làm của nhân viên. Hai bảng này dùng chung một khóa chính duy nhất đấy nhé: <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://dev-to-uploads.s3.amazonaws.com/uploads/articles/drt2b61nsh1ghdbs9h4l.png' alt='Cấu trúc bảng employment_data'> Đầu tiên, hãy chuẩn bị "môi trường" và tất cả các gói thư viện cần thiết đã nhé! ``` python3 -m venv venv source venv/bin/activate pip install --upgrade pip pip install requests ``` Tiếp theo, chúng ta sẽ bắt tay vào "xây dựng" hai cơ sở dữ liệu của mình: một cái cho thông tin cá nhân của nhân viên (`personal_data.db`) và một cái cho thông tin công việc của họ (`employment_data.db`). Đoạn code Python dưới đây (`create-db.py`) sẽ giúp chúng ta tạo ra các bảng và điền dữ liệu mẫu vào đó một cách tự động. Giờ thì chúng ta hãy thử "hỏi thăm" hai cơ sở dữ liệu này xem sao nhé! Đoạn code `display-db.py` sẽ giúp bạn kết nối, liệt kê các bảng và hiển thị tất cả các hàng dữ liệu từ mỗi bảng. Và đây là kết quả khi chúng ta chạy file `display-db.py` với `personal_data.db` làm ví dụ: ``` python display-db.py Please enter the name of the SQLite database file (e.g., personal_data.db): personal_data.db --- Connected to database: personal_data.db --- --- Tables found in the database --- - employees_personal --- Data from table: 'employees_personal' --- Columns: firstName, lastName, dateOfBirth, uniqueID ('Alice', 'Smith', '1990-05-15', 'EMP001') ('Bob', 'Johnson', '1985-11-22', 'EMP002') ('Charlie', 'Brown', '1992-03-01', 'EMP003') --------------------------------- --- Connection to personal_data.db closed. --- ``` Có vẻ mọi thứ hoạt động ngon lành rồi đó! Chúng ta cùng tiến lên nào! Trong phần này, chúng ta sẽ xây dựng một truy vấn mẫu: bạn chỉ cần nhập vào mã số ID duy nhất của nhân viên (uniqueID), và chương trình sẽ hiển thị thông tin công việc của họ, kèm theo cả câu lệnh SQL mà nó đã tự tạo ra! Để làm được điều này, chúng ta sẽ dùng "trợ thủ đắc lực" IBM Granite, mà trong ví dụ này nó sẽ chạy "ngon ơ" ngay trên máy của bạn thông qua Ollama. Đoạn code "thần thánh" giúp tự động hóa nhiệm vụ này đây rồi! (`text2sql.py`) Nó bao gồm các hàm chính: * `get_employee_details(unique_id)`: Hàm này sẽ kết nối với cả hai cơ sở dữ liệu `personal_data.db` và `employment_data.db`, thực hiện một thao tác JOIN kinh điển trong SQL để tìm kiếm thông tin nhân viên dựa trên `unique_id` bạn nhập vào. Điều đặc biệt là, nó sẽ *hiển thị chính xác câu lệnh SQL mà nó đang thực thi*, giúp bạn hiểu rõ "bên trong" đang diễn ra những gì. * `send_to_ollama(prompt)`: "Người đưa thư" này sẽ gửi câu hỏi của bạn (prompt) đến Ollama API cục bộ và nhận về phản hồi từ mô hình ngôn ngữ lớn. * `run_chat_app()`: Đây là "trái tim" của ứng dụng chatbot. Nó sẽ liên tục hỏi bạn nhập ID nhân viên, sau đó dùng các hàm trên để tìm kiếm thông tin và nhờ LLM "phiên dịch" kết quả thành một câu trả lời thân thiện, dễ hiểu. <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/ollama_granite_concept.png' alt='Mô hình Ollama và Granite'> Giờ thì chạy thử code và xem kết quả nhé! Đầu tiên là khi bạn hỏi về một ID có trong hệ thống: ``` python text2sql.py Welcome to the Employee Lookup Chatbot! (Using Ollama with granite3.3:latest) Type 'exit' or 'quit' to end the session. Enter employee Unique ID (e.g., EMP001): EMP001 --- Executing SQL Query --- 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 = 'EMP001'; -- Displaying the query with the ID for clarity --------------------------- Chatbot: Bạn đã tìm thấy Alice Smith, người có ID duy nhất là EMP001 và làm việc với chức danh Kỹ sư phần mềm. Bạn có cần biết thêm thông tin gì không? ``` Và ta-da! Thành quả đây rồi! ✌️ Bạn thấy đấy, chương trình đã tự động tạo ra câu lệnh SQL phức tạp (`JOIN` giữa hai bảng) để lấy thông tin, sau đó dùng LLM để biến kết quả tra cứu thành một câu trả lời cực kỳ "người" và dễ chịu. Thật tiện lợi phải không nào? Tuy các bước chúng ta vừa thực hiện khá đơn giản, nhưng chúng đã phô diễn sức mạnh "khủng khiếp" của việc ứng dụng LLMs để xây dựng các ứng dụng mạnh mẽ. Những ứng dụng này giúp đơn giản hóa việc sử dụng thông tin có cấu trúc trong các cơ sở dữ liệu lớn của doanh nghiệp, đưa dữ liệu đến tận tay người dùng kinh doanh. Dù ứng dụng này chỉ là một ví dụ "nhỏ xíu", nhưng nó đã chứng minh một cách hiệu quả giá trị to lớn mà nó mang lại cho người dùng kinh doanh. Họ có thể tự chủ hơn trong các tác vụ hàng ngày mà không cần phải "vắt óc" suy nghĩ về cách sử dụng cơ sở dữ liệu hay các hệ thống phức tạp nữa. Một kỷ nguyên mới cho việc truy cập dữ liệu đã mở ra rồi đó!

Lê Lân

20/07/2025

Khám phá hành trình xây dựng và triển khai mô hình dự đoán khách hàng rời bỏ (churn prediction) từ Jupyter Notebook lên môi trường sản xuất với FastAPI, từ xử lý dữ liệu mất cân bằng đến tối ưu hóa API.

Lê Lân

16/07/2025

Khám phá bộ sưu tập các dataset Text-to-SQL công khai chất lượng cao, từ Spider đến NL2SQL-Bugs và OmniSQL. Hướng dẫn chi tiết cho nhà phát triển AI nghiên cứu và xây dựng mô hình chuyển đổi ngôn ngữ tự nhiên sang SQL.

Lê Lân

10/07/2025

À lôi, các bạn coder ơi! Bạn có bao giờ ước có một 'người phiên dịch' siêu đẳng giúp bạn biến mấy câu hỏi tiếng Việt bình thường thành những câu lệnh SQL 'chất lừ' mà không cần nhớ cú pháp không? Vài tháng trước, tôi đã 'khai sinh' ra <a href="https://genql.neetigya.me/">GenQL</a>, một công cụ thần kỳ làm được điều đó! GenQL không chỉ đơn thuần là dịch đâu nhé, nó còn 'hiểu' được cả cấu trúc database của bạn để đưa ra kết quả chính xác nhất nữa cơ. Hôm nay, tôi sẽ 'bật mí' cho các bạn bí kíp đằng sau GenQL: đó chính là một 'ma thuật' tên là **RAG - Retrieval-Augmented Generation**! Nghe tên có vẻ khoa học viễn tưởng nhỉ? Đừng lo, nó đơn giản là việc kết hợp mấy anh AI 'biết tuốt' (Large Language Models - LLMs) với kho tàng kiến thức bên ngoài của riêng bạn. Giống như bạn có một bộ não siêu việt, nhưng lại còn có thêm cả một thư viện khổng lồ luôn sẵn sàng tra cứu vậy! Trong dự án GenQL, tôi đã triển khai hệ thống RAG này bằng Python, dùng Firebase Functions làm 'người giúp việc tự động', OpenAI để 'phiên dịch' thành 'ngôn ngữ máy', và Pinecone làm 'thư viện đặc biệt' để lưu trữ thông tin. Hệ thống này có 3 'cánh cổng' chính: 1. Cánh cổng 'Ghi Nhớ' (Indexing Data): Biến cấu trúc database thành 'mã số bí mật' để AI hiểu. 2. Cánh cổng 'Tìm Kiếm' (Searching): Tìm kiếm thông tin liên quan đến câu hỏi của bạn. 3. Cánh cổng 'Dọn Dẹp' (Deleting Namespaces): Xóa bỏ những gì không cần thiết nữa. Nào, chúng ta hãy cùng 'giải phẫu' từng 'cánh cổng' một nhé! *** ### 1. Cánh Cổng "Ghi Nhớ": Biến Cấu Trúc Database Thành "Mã Số Bí Mật" (Indexing Data: Turning Your Schema into Searchable Vectors) **Cốt lõi vấn đề:** Bạn muốn AI hiểu database của mình? Đầu tiên, phải 'dạy' cho nó đã! Giống như bạn muốn tìm sách trong thư viện, bạn phải có danh mục sách và cách sắp xếp chúng chứ, đúng không? Ở đây, chúng ta sẽ biến thông tin database (như tên bảng, tên cột, mô tả) thành một dạng mà máy tính có thể 'hiểu' và 'so sánh' được. Dạng này gọi là **embeddings** – về cơ bản là những 'mã số bí mật' (hay vector số học) đại diện cho ý nghĩa của văn bản gốc. Sau đó, những 'mã số bí mật' này sẽ được cất giữ cẩn thận trong một 'thư viện đặc biệt' gọi là **vector database**. **Thực hiện thế nào?** * **Mô tả dữ liệu của bạn:** Tưởng tượng bạn đang viết một bản tóm tắt cực kỳ chi tiết cho mỗi bảng trong database của mình. Ví dụ: "Bảng `orders` chứa thông tin về các đơn hàng, bao gồm `order_id` (mã đơn hàng), `customer_id` (mã khách hàng), `order_date` (ngày đặt hàng), và `total_amount` (tổng tiền)." * **Tạo 'mã số bí mật' (embeddings):** Chúng ta sẽ nhờ "ông bạn" OpenAI 'dịch' những bản mô tả này thành chuỗi số dài dằng dặc. Mỗi chuỗi số này chính là một `embedding`, mang ý nghĩa của bản mô tả đó. * **Lưu vào 'thư viện đặc biệt' (vector database):** Các `embedding` này sẽ được lưu trữ vào Pinecone – 'thư viện' chuyên dụng cho các vector. Chúng ta sẽ 'dán nhãn' cho mỗi nhóm `embedding` bằng một **namespace** (tưởng tượng như một 'ngăn kéo' riêng biệt cho từng dự án hay từng người dùng vậy). **Code giả lập (cho dễ hình dung):** ```python # Pseudocode for indexing for each item in your_data: description = summarize(item) embedding = get_embedding(description) vector_db.upsert(id=item.id, vector=embedding, metadata=description, namespace=your_namespace) ``` **Tại sao phải làm vậy?** Bởi vì cách này giúp AI tìm kiếm thông tin dựa trên **ý nghĩa** của câu hỏi, chứ không phải chỉ dựa vào mấy từ khóa khô khan đâu! Hay ho chưa? <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/L1MhR2Q.png' alt='Biến dữ liệu thành vector embedding và lưu vào vector database'> *** ### 2. Cánh Cổng "Tìm Kiếm": Truy Lùng Dữ Liệu Liên Quan Bằng Câu Hỏi Thông Minh (Searching: Finding Relevant Data with Semantic Queries) **Cốt lõi vấn đề:** Khi người dùng hỏi một câu (ví dụ: "Cho tôi biết thông tin khách hàng"), bạn muốn tìm ngay lập tức những phần dữ liệu trong database có liên quan nhất đến câu hỏi đó. Làm sao để máy tính hiểu được "khách hàng" và tìm đúng bảng "customers" hay "users" đây? Đơn giản thôi, chúng ta lại dùng 'mã số bí mật' (embeddings)! **Thực hiện thế nào?** * **'Phiên dịch' câu hỏi:** Đầu tiên, câu hỏi của người dùng ("thông tin khách hàng") sẽ được "ông bạn" OpenAI 'dịch' thành một 'mã số bí mật' (embedding) y chang như cách chúng ta đã làm với cấu trúc database ở bước 1. * **'Truy lùng' trong 'thư viện đặc biệt':** Bây giờ, chúng ta sẽ đưa cái 'mã số bí mật' của câu hỏi này cho Pinecone và nhờ nó "rà soát" cả 'thư viện' để tìm những 'mã số bí mật' của database nào *giống* với nó nhất. Giống như bạn đưa một mảnh ghép hình và bảo thư viện tìm những mảnh ghép khớp vậy đó! * **Trả về kết quả:** Pinecone sẽ nhanh chóng tìm ra những 'ngăn kéo' chứa thông tin database phù hợp nhất (ví dụ: bảng `customers`, `users`) và trả về cho chúng ta. **Code giả lập:** ```python # Pseudocode for searching query_embedding = get_embedding(user_query) results = vector_db.query(vector=query_embedding, top_k=5, namespace=your_namespace) return results ``` **Tại sao phải làm vậy?** Nhờ cách này, người dùng có thể hỏi bằng ngôn ngữ tự nhiên mà vẫn nhận được câu trả lời *đúng ý*, ngay cả khi không dùng từ khóa chính xác. Cực kỳ thông minh và linh hoạt! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/G5p1fW1.png' alt='Tìm kiếm vector gần nhất trong vector database'> *** ### 3. Cánh Cổng "Dọn Dẹp": Xóa Sổ Ngăn Kéo Không Dùng Đến (Deleting a Namespace: Cleaning Up) **Cốt lõi vấn đề:** Đôi khi bạn cần 'dọn dẹp' kho dữ liệu của mình. Ví dụ, khi một dự án kết thúc hoặc bạn không muốn lưu trữ schema của một database cụ thể nữa. Thay vì xóa từng mảnh nhỏ, bạn có thể xóa toàn bộ 'ngăn kéo' đó! **Thực hiện thế nào?** Vì mỗi nhóm `embedding` của database được 'dán nhãn' bằng một **namespace** riêng, chúng ta chỉ cần gọi lệnh 'xóa' cho cái `namespace` đó là tất cả dữ liệu liên quan sẽ 'bay màu' khỏi 'thư viện đặc biệt' của bạn. Đơn giản, gọn gàng, nhanh chóng! **Code giả lập:** ```python # Pseudocode for deleting a namespace vector_db.delete(namespace=your_namespace) ``` <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/9C3B4Z1.png' alt='Xóa namespace trong vector database'> *** ### "Người Giúp Việc" Tự Động: Firebase Functions trong Python Toàn bộ các 'cánh cổng' thần kỳ này đều được triển khai dưới dạng **serverless functions** (hay nôm na là 'người giúp việc tự động' trên đám mây) bằng Firebase. Điều này giúp GenQL dễ dàng 'lớn mạnh' (scale) và kết nối với các dịch vụ khác mà không cần bạn phải lo lắng về việc quản lý máy chủ. Cứ gọi là chạy thôi! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/w9N4H0Z.png' alt='Firebase Functions giúp triển khai các API của RAG'> *** ### Lời Kết: Sức Mạnh Của RAG Trong Tay Bạn! Thấy chưa? Bằng cách 'ghi nhớ' dữ liệu của bạn dưới dạng 'mã số bí mật' (embeddings), 'tìm kiếm' thông tin bằng các câu hỏi thông minh, và 'dọn dẹp' các 'ngăn kéo' khi cần, bạn đã có thể xây dựng một hệ thống RAG siêu mạnh mẽ! Hệ thống này giúp kết nối sức mạnh của các anh AI 'biết tuốt' với kho dữ liệu riêng của bạn, mở ra vô vàn ứng dụng 'bá đạo' khác – từ tạo tài liệu database tự động cho đến quản lý kiến thức. Bạn có thể "ngó nghiêng" mã nguồn của GenQL tại GitHub repo này nhé: <a href="https://github.com/neetigyachahar/GenQL">https://github.com/neetigyachahar/GenQL</a> Chúc các bạn "hack" vui vẻ! 🚀

Lê Lân

09/07/2025

Tìm hiểu về Retrieval-Augmented Generation (RAG) qua ví dụ thực tế với GenQL. Hướng dẫn chi tiết cách index, tìm kiếm và quản lý dữ liệu bằng embeddings, vector database và LLM để xây dựng hệ thống AI thông minh.

Lê Lân

04/07/2025

Tìm hiểu cách xây dựng một Query Builder tùy chỉnh cho SQLite bằng TypeScript để nâng cao chất lượng code và làm việc hiệu quả hơn với database, từ kinh nghiệm thực tế khi phát triển ứng dụng từ điển tiếng Ả Rập.

Lê Lân

01/07/2025

Khám phá bí quyết tăng tốc truy vấn SQL bằng cách đọc và phân tích kế hoạch thực thi của database. Tìm hiểu về EXPLAIN, SHOW PLAN, tối ưu hóa dựa trên chi phí, và sự khác biệt giữa Index Seek và Index Scan để cải thiện hiệu năng SQL của bạn.

Lê Lân

27/06/2025

Tìm hiểu cách PostgreSQL Table Partitioning giúp bạn quản lý và tăng tốc các cơ sở dữ liệu lớn một cách hiệu quả. Khám phá các loại phân vùng, cách triển khai và những lợi ích vượt trội để tối ưu hiệu suất.

Lê Lân

24/06/2025

Khám phá báo cáo đánh giá khả năng tạo SQL của 19 mô hình LLM phổ biến trên bộ dữ liệu 200 triệu dòng GitHub. Xem điểm hiệu suất, độ chính xác và so sánh với con người.

Lê Lân

24/06/2025

Khám phá Snowflake Copilot Inline – tính năng AI đột phá tích hợp trực tiếp vào Snowflake Workspaces, giúp bạn viết, tối ưu SQL và sửa lỗi cực nhanh, biến bạn thành 'phù thủy' dữ liệu chỉ trong tích tắc. Đừng bỏ lỡ công cụ thay đổi cuộc chơi này!

Lê Lân

22/06/2025

Khám phá Copilot tích hợp trong SQL Server Management Studio 21 (SSMS 21). Tìm hiểu cách AI giúp tăng tốc độ viết SQL, chuyển ngôn ngữ tự nhiên thành truy vấn, giải thích code phức tạp và hỗ trợ gỡ lỗi, nâng tầm năng suất cho mọi chuyên gia dữ liệu.

Lê Lân

19/06/2025