Kluczem do zmiany jest Snowflake Cortex AI. Dzięki niemu wywołanie prostego zapytania bazodanowego pozwala mi dzisiaj uzyskać rezultaty, które jeszcze kilka lat temu mogłem oglądać jedynie w filmach science fiction.
Drogi czytelniku, nie spodziewałeś się odpowiedzi na tytułowe pytanie już w pierwszym zdaniu tej publikacji, prawda? No cóż… pozostaje mi tylko przeprosić Cię za spoiler. Chciałem jednak, abyś miał świadomość, że zamiast zmagać się z konfiguracją, błądzić między interfejsami czy budować kolejne zależności, możesz wygodnie rozsiąść się w fotelu i cieszyć się wynikami.
Jak Cortex AI pomaga w analizie opinii klientów – studium przypadku
Ale jak to działa w praktyce? Pokrótce opisuję to na podstawie przypadku, z którym zetknąłem się niedawno. Miałem okazję zaimplementować rozwiązanie oparte na Cortex AI, które pomogło w szybkim opanowaniu problemów wizerunkowych rozprzestrzeniających się w mediach społecznościowych.
Wyobraź sobie miliony opinii dotyczących towarów i usług w Twoich sklepach, które każdej godziny trafiają do Twojej hurtowni danych w chmurze. Wszystko działa sprawnie, aż nagle w trybiki systemu trafia ziarnko piasku. Z godziny na godzinę przybywa negatywnych opinii. Tak przynajmniej twierdzi zespół odpowiedzialny za social media, a oni dobrze wiedzą, co się dzieje w sieci. Jak możesz zatrzymać potencjalny kryzys? Prosta sprawa – trzeba znaleźć przyczynę niezadowolenia klientów.
Na szczęście masz dostęp do wszystkich zarejestrowanych opinii, w ustrukturyzowanej postaci w Snowflake. Zaczynamy od podzielenia ich na dziesięć segmentów – od najlepszych do najgorszych. Wykorzystujemy dwie proste funkcje Cortex LLM: translate i sentiment. Pierwsza pozwala przetłumaczyć treść opinii na język angielski (nie oszukujmy się, modele LLM działają najlepiej w tym języku), a druga określa wydźwięk opinii w skali od -1 do 1.
Fajne, prawda? W kilku prostych zapytaniach możemy sprawdzić, w których sklepach zakupy robili najbardziej niezadowoleni klienci, i ustalić, że na przykład towar dostarcza tam niewielka grupa powiązanych dostawców.
Znalezienie przyczyny to jedno, ale co z jej rozwiązaniem? Tutaj ponownie pomaga Cortex LLM. Funkcja complete pozwala zdefiniować kategorie problemów i zapisać je w oddzielnej tabeli. Następnie AI może wygenerować, również za pomocą complete, spersonalizowaną wiadomość e-mail do dostawcy, w której zawarte będą zaobserwowane problemy i propozycje ich rozwiązania. A wszystko to w oparciu o Twoje dane i możliwości modeli LLM dostępnych w Snowflake.
Bezpieczeństwo i dostępność – kluczowe kwestie
Mam nadzieję, że ten prosty przykład działa na wyobraźnię. Warto jednak poruszyć jeszcze dwie istotne kwestie – bezpieczeństwo danych oraz dostępność analiz dla osób nietechnicznych.
W kwestii bezpieczeństwa kluczowe jest to, że Twoje dane i wyniki ich przetwarzania nie są udostępniane innym klientom, nie służą do trenowania cudzych modeli i nie trafiają do podmiotów trzecich. Masz pełną kontrolę nad swoimi danymi na każdym etapie przetwarzania.
A co z użytkownikami, którzy nie znają SQL ani narzędzi analitycznych? Wystarczy, że deweloper wykorzysta Streamlit, aby stworzyć aplikację z przyjaznym interfejsem użytkownika. W Pythonie można napisać prosty program, który zwizualizuje poziom zadowolenia klienta w skali od 1 do 10 gwiazdek, pokaże na wykresie sklepy z największą liczbą negatywnych opinii czy automatycznie wygeneruje i wyśle wiadomość e-mail do dostawcy z propozycją rozwiązania problemu. Użytkownik nie musi nawet wiedzieć, że pracuje z hurtownią danych – wystarczy kilka kliknięć, a resztę zrobi program wspierany przez AI.
To tylko drobny wycinek możliwości Cortex AI i funkcjonalności Snowflake. A lista innowacyjnych opcji jest długa. Warto wspomnieć chociażby o tym, jak łatwo można zaimplementować chatboty pozwalające na odpytywanie ustrukturyzowanych i nieustrukturyzowanych danych w języku naturalnym. Tak, tak – możesz bezpiecznie „rozmawiać” ze swoimi raportami w PDF-ach! Ale o tym opowiem już innym razem… Stay tuned!