欢迎来到公海710 当 Glean 需要 Snowflake 时：为什么企业 AI 仍然依赖于分析平台
在 Alchemy，我们会见处于数据和 AI 成熟度各个阶段的客户。我们经常遇到希望从人工智能投资中获得更直接价值的客户，并想知道他们需要对 Snowflake 等数据平台进行多少投资。这一切都取决于业务用例。
Glean 等企业 AI 平台正在改变员工访问信息的方式。在几周内，组织就可以部署一个统一的人工智能助手，在数十个系统中显示文档、聊天、票证和内部知识。
这让许多组织相信他们已经解决了“数据问题”。
实际上，他们解决了知识发现问题，而不是分析问题。
区别很重要。对企业内容进行操作的人工智能平台非常强大，但它们并不是为了对结构化业务数据执行大规模分析查询而设计的。这就是像 Snowflake 这样的平台发挥作用的地方。
了解这两层如何协同工作是构建现代 AI 架构的关键。
两个不同的时间表
AI 知识平台和分析平台之间最显着的区别之一是它们上线的速度。
| 平台 | 典型的价值实现时间 | 目的 |
|---|---|---|
| 收集 | 4–8 周 | 企业搜索、知识发现、AI 副驾驶 |
| 雪花 | 3–12 个月 | 数据整合、分析、BI、AI 数据基础 |
Glean 部署进展迅速。
在 Glean 中，您连接的系统永远不会被纳入 Snowflake：
- Google 云端硬盘或 SharePoint
- Slack 或 Teams
- Jira 和 Confluence
- 内部文档存储库
- （除了您的主要企业系统 - CRM、ERP 等）
几周内，员工可以开始提出以下问题：
- 销售手册在哪里？
- 上周的领导层会议做出了哪些决定？
- 新员工的入职文档在哪里？
这极大地提高了工作效率并消除了知识发现中的障碍。
分析平台需要更长的时间，因为问题不同。
雪花需要：
- 从操作系统获取数据
- 为业务实体建模
- 构建治理和访问控制
- 创建语义层和仪表板
结果不是文档检索。结果就是有能力回答有关业务的分析问题.
Glean 无法单独回答的问题类型
Glean 擅长检索现有知识。如果答案存在于文档、聊天线程、维基页面或票证中，Glean 就非常有效。
需要额外支持的地方是需要跨大量结构化数据进行计算的问题。
这些问题包括需要：
- 聚合
- 趋势分析
- 跨系统加入
- 统计分析
- 历史比较
这些问题需要分析引擎。
示例：销售
Glean 可以回答：
销售手册在哪里？
我们在哪里记录了新的定价策略？
谁参与了上一个 Acme 提案？
但它无法回答以下问题：
- 上季度哪些产品的胜率最高？
- 按地区划分的渠道转化率是多少？
- 哪些帐户在流失前显示产品使用量下降？
这些答案需要查询结构化 CRM 和产品遥测数据。
示例：操作
Glean 可以回答：
维护的标准操作程序在哪里？
工程部门在哪里记录了上次中断的情况？
但它无法回答：
- 哪种设备最常出现故障？
- 哪些维护模式与停机时间相关？
- 什么信号表明即将发生故障？
这些需要汇总跨时间和资产的运营数据。
为什么人工智能仍然需要数据平台
大多数企业发现现代人工智能架构需要两个不同的层。
知识层
该层包含企业内容。
示例包括：
- 文档
- 聊天
- 门票
- 维基
- 政策
- 会议记录
收集索引等平台并了解这些信息，以便员工可以快速找到答案。
分析层
该层包含结构化业务数据。
示例包括：
- 交易
- 操作事件
- 财务指标
- 产品遥测
- 客户活动
Snowflake 等平台允许组织大规模查询、汇总和分析这些数据。
这两层都是必要的。
简单的架构
以下是组织开始采用的常见模式。
在此模型中：
- Glean 充当对话界面
- 雪花充当分析引擎
Glean 可以从企业知识中揭示背景，而 Snowflake 则提供回答分析问题所需的数据。
战略要点
部署像 Glean 这样的企业 AI 助手是将 AI 引入工作场所的最快方法之一。组织可以立即看到生产力的提高，因为员工最终可以搜索整个公司的知识。
然而，有关业务的最有价值的问题很少存在于文档中。
它们存在于数据中。
随着组织的 AI 战略日趋成熟，许多组织发现真正的力量来自于将知识平台与现代分析平台相结合。当两者合作时，员工可以就公司所了解的情况和公司数据所揭示的内容提出问题。这就是企业人工智能开始提供真正的战略洞察力的时候。
作者
安迪·奎林