AI 公司觀察 / Snowflake

Snowflake 如何讓 AI 在企業資料旁工作?

從雲端資料倉儲到 Cortex,拆解企業如何在既有分析流程中加入分類、摘要與自然語言查詢。

發布日期:

Snowflake 標誌

同一批客服紀錄,為什麼要搬到第二個系統?

假設一家電商每天把客服紀錄整理到資料倉儲。營運主管想看這週退貨增加的原因,分析師已能用 SQL 算出件數,但類別欄位不夠細,真正的原因寫在留言裡。團隊可以把留言匯出,再交給一個模型分類。下一次想重做,便要重新處理哪一批資料、哪些欄位可以匯出,以及分類結果要怎麼接回原本的報表。

Snowflake 想承接的是這段往返。企業既然已經把資料放在雲端倉儲,也安排了誰能看哪些表,就有理由先試能否在原本的分析環境呼叫模型。對客戶,這代表可以少做一些資料搬運與介面整合。對 Snowflake,則是在原本的查詢和儲存之外,多一種讓企業持續使用平台的工作。

2012 年的選擇,為什麼影響後來的 AI 產品?

Snowflake 成立於 2012 年,從雲端原生、受託管的 SQL 分析資料庫起步。企業過去可能得一起購置與維護儲存設備和運算資源。Snowflake 的架構將兩者分開,使團隊能調整處理查詢的資源,並讓不同工作使用各自的運算配置。

用客服報表來想像,平常查一週的資料所需資源,和月底要重算全年分類的需求不同。企業可以測試兩種工作是否應該共用同一組運算,或在尖峰時分開安排。Snowflake 的商業模式也和這個選擇有關,客戶會為平台實際承接的儲存與運算付費。當一個新工具可以增加原有資料的用途,平台便有機會接到更多工作。

2023 年公布 Cortex,讓分析師在 SQL 裡呼叫模型

Snowflake 在 2023 年 11 月公布 Cortex 的私人預覽,當時把大型語言模型、向量搜尋和無伺服器函數納入同一項服務規劃。如今文件中列出的 AI 函數支援分類、摘要等用途。分析師可以先用 SQL 篩出符合條件的資料,再交給模型處理,最後把結果送回同一個分析流程。

例如,團隊先限定最近七天、已結案且資料完整的客服留言。接著請模型將留言歸入尺寸不符、商品瑕疵或配送問題。結果可以與商品表對照,找出究竟集中在哪幾個品項。如果營運同事希望每週重跑,分析師也能把篩選、分類與驗收保留下來。這讓模型有機會成為資料工作的一步,而非每次都由個人把檔案拿去另一個介面處理。

誰定義「退貨率」,誰就影響 AI 的答案

Snowflake 也提供 Cortex Analyst,讓應用以自然語言查詢結構化資料。這類功能要先映射企業用語、資料欄位與指標。例如門市說的「退貨」可能包含換貨,財務報表卻把兩者分開。即使模型產生一段能執行的 SQL,若採用不同的分母,最後的退貨率仍可能差很多。

這對部署提出一個清楚的要求。企業需要為經常使用的指標定義名稱、計算方式、適用期間和來源,再測看不同問法是否仍能得到相同結果。當資料或規則改變,負責的同事也要知道每週報表和模型查詢是否一併更新。能在同一處維護這些定義,有機會減少重複工作。定義本身則要由真正使用數字的部門做決定。

SQL 查詢也讓團隊有機會先限制模型處理的資料範圍。像是先排除空白留言、重複工單或只需用固定規則分類的紀錄,將模型留給真正需要讀語意的項目。這個取捨會影響每次重跑的使用量,也能讓後續抽查集中在較難的樣本。

客戶為什麼買單,什麼時候值得把工作放在外面?

如果公司原本就用 Snowflake 查營運資料,先在平台上測一段分類或問答,可以少做一部分匯出和整理工作。企業仍要確認模型與功能支援的區域、資料處理條件和計費。若應用多半讀外部系統,或團隊已有成熟的模型平台,另外整合可能更合理,採購時就要比較各種做法的維護與更換成本。

回到退貨案例,可先拿同一批資料做兩次測試。一次使用原本的匯出流程,一次留在資料平台處理。記錄每次重跑要花多久、分類錯誤由誰改、各方案用了多少運算與人工,最後核對報表結果能不能回到明確的來源。若想每週覆蓋全站,可以再測先篩選高價值樣本與逐筆處理的成本差。

Snowflake 真正要證明的是,即使工具換成能理解自然語言的模型,企業仍能沿用管理資料的方法交付結果。當主管下週用另一種說法問同一個問題,團隊能指出取數時間、採用的退貨定義以及需要人工覆核的內容,模型才有機會成為營運報表的長期一環。

延伸資料

查看公司專欄

LINE 洽詢