企业数据堆栈以多样化、混乱和碎片化而闻名。数据从多个来源流入复杂的多云平台，然后分布在各种 AI、BI 和聊天机器人应用程序中，管理这些生态系统已成为一项艰巨而耗时的挑战。今天，总部位于旧金山的初创公司Connecty AI以 180 万美元的融资脱颖而出，通过情境感知方法简化这种复杂性。
Connecty 的核心创新是横跨企业整个水平数据管道的上下文引擎——主动分析和连接各种数据源。通过链接数据点，该平台可以实时捕捉对业务进展的细微了解。这种“上下文感知”支持自动化数据任务，并最终实现准确、可操作的业务洞察。
Connecty 尚处于起步阶段，但已经帮助多家企业简化了数据处理任务。该平台将数据团队的工作量减少了 80%，原本需要数周才能完成的项目只需几分钟就能完成。
Connecty 让“数据混乱”变得有序
甚至在语言模型时代之前，数据混乱就已经是一个严峻的现实。
随着结构化和非结构化信息以前所未有的速度增长，团队一直在努力保持其分散的数据架构井然有序。这使得他们的基本业务背景变得分散，数据模式过时——导致下游应用程序性能不佳。想象一下 AI 聊天机器人出现幻觉或 BI 仪表板提供不准确的业务洞察的情况。
Connecty AI 创始人 Aish Agarwal 和 Peter Wisniewski 在数据价值链中各自扮演着不同的角色，亲眼目睹了这些挑战，并指出，所有问题都归结为一个主要问题：掌握跨管道分布的业务数据的细微差别。本质上，团队必须进行大量的手动工作，以进行数据准备、映射、探索性数据分析和数据模型准备。
为了解决这个问题，两人开始着手创业公司及其核心的上下文引擎。
“我们解决方案的核心是专有的上下文引擎，它可以实时提取、连接、更新和丰富来自不同来源的数据（通过无代码集成），其中包括人机反馈以微调自定义定义。我们通过结合矢量数据库、图形数据库和结构化数据来实现这一点，构建一个“上下文图”，以捕获和维护所有信息的细微、相互关联的视图，”Agarwal 告诉记者。
一旦涵盖所有数据管道的企业特定上下文图准备就绪，平台就会使用它为每个用户的角色自动生成动态个性化语义层。该层在后台运行，主动在数据管道内生成建议，更新文档并能够提供与上下文相关的见解，这些见解可根据各个利益相关者的需求即时定制。
“Connecty AI 应用对不同数据集及其与每个对象的连接的深度上下文学习来生成全面的文档并根据业务意图确定业务指标。在数据准备阶段，Connecty AI 将生成一个动态语义层，帮助自动生成数据模型，同时突出显示不一致之处并通过人工反馈解决这些问题，从而进一步丰富上下文学习。此外，数据探索的自助服务功能将使产品经理能够独立执行临时分析，最大限度地减少对技术团队的依赖，并促进更敏捷、数据驱动的决策，”Agarwal 解释道。
这些见解通过“数据代理”传递，它们以自然语言与用户互动，同时考虑他们的技术专长、信息访问级别和权限。创始人解释说，从本质上讲，每个用户角色都会获得适合其角色和技能的定制体验，从而更容易有效地与数据交互，提高生产力并减少大量培训的需要。
早期合作伙伴的显著成果
尽管许多公司，包括像DataGPT这样的初创公司和像 Snowflake 这样的价值数十亿美元的巨头，都承诺通过大型语言模型驱动的界面更快地获得准确的见解，但 Connecty 声称其基于上下文图的方法脱颖而出，该方法覆盖整个堆栈，而不仅仅是一两个平台。
据该公司称，其他组织通过解释静态模式来实现数据工作流程的自动化，但这种方法在生产环境中是不够的，因为生产环境中需要跨系统和团队对数据有一个不断发展、一致的理解。
目前，Connecty AI 处于盈利前阶段，尽管它正在与多家合作伙伴公司合作，以进一步提高其产品在实际数据和工作流程上的性能。这些公司包括 Kittl、Fiege、Mindtickle 和 Dept。这四家公司都在其环境中运行 Connecty POC，并且能够优化数据项目，将其团队的工作量减少高达 80%，并加快洞察时间。
Kittl 首席执行官 Nicolas Heymann 表示：“我们的数据复杂性正在快速增长，数据准备和指标分析需要更长的时间。我们平均需要等待 2-3 周才能准备数据，并从产品使用数据中提取可操作的见解，并将其与交易和营销数据合并。现在有了 Connecty AI，这只需几分钟。”
下一步，Connecty 计划通过支持更多数据源来扩展其上下文引擎的理解能力。它还将以 API 服务的形式向更广泛的公司推出该产品，并按每个席位或基于使用量的定价模式向他们收费。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/connecty-de-ai-shang-xia-wen-ying-she-ru-he-zhong-jie-qi-ye
