Snowflake 与 Anthropic 宣布达成重要合作伙伴关系,将 AI 代理直接嵌入企业数据环境中,使企业能够在严格的安全控制下分析海量信息。
两家公司将把 Anthropic 的 Claude 3.5 Sonnet 模型整合到 Snowflake 的新型 Cortex Agents 平台中,让组织能够在现有安全框架内部署 AI 系统,以分析结构化数据库信息和非结构化文档内容。
Snowflake 的 AI 负责人 Baris Gultekin 在媒体圆桌会议上表示:"我们相信 AI 代理很快将成为企业工作中不可或缺的一部分。它们将提升客户支持分析和工程等团队的生产力,让员工有更多时间专注于更高价值的工作。"
Snowflake 借助 Anthropic 的 Claude 3.5 增强 AI 能力
该合作解决了企业 AI 应用的一个关键挑战 — 安全地大规模部署强大的 AI 模型。Claude 将完全在 Snowflake 的安全边界内运行,消除了向外部 AI 服务发送敏感数据的顾虑。
Anthropic 的首席产品官 Mike Krieger 在新闻发布会上表示:"在 Snowflake 的安全边界内运行 Claude,让客户能够在数据受控的情况下构建和部署 AI 应用。"
早期结果显示前景可期。Snowflake 报告称,在内部基准测试中,复杂文本转 SQL 任务的准确率达到 90%,显著优于以往方法。西门子能源已经建立了一个 AI 聊天机器人,可分析超过 50 万页的内部文档,而日产北美在分析经销商体验的客户情绪时达到了 97% 的准确率。
Snowflake 如何使用 AI 实现业务数据分析自动化
Cortex Agents 可以跨结构化数据库和非结构化内容编排复杂的数据任务。该系统包含两个关键组件:将自然语言转换为准确数据库查询的 Cortex Analyst,以及 Snowflake 声称在标准基准测试中至少领先竞争对手 11% 的混合搜索系统 Cortex Search。
Snowflake 的产品执行副总裁 Christian Kleinerman 表示:"让 Snowflake 客户能够使用如此先进的模型有助于提升使用体验。无需考虑使用哪个模型,需要多少提示才能让系统按照我想要的方式运行或回答我需要的问题...这是非常棒的。"
Snowflake 的 Cortex Agents 承诺更智能、更快速的企业 AI
这次合作标志着企业 AI 战略的转变。企业现在寻求将 AI 直接整合到现有数据基础设施中,而不是将其视为独立的技术。
"没有人只是在寻找一个将输入 token 转换为输出 token 的供应商,"Krieger 解释道。"他们在寻找能够帮助他们制定 AI 战略的合作伙伴,这种战略要与他们的价值观一致,而且他们相信这个合作伙伴能够保持在技术前沿。"
该平台包括全面的监控功能,并维持现有的访问控制和合规要求 — 这些特性在 AI 监管不断发展的情况下至关重要。
Kleinerman 在发布会上指出:"一定程度的监管明确性会有帮助。但我认为这取决于我们所有人,特别是那些深入了解细节的研究实验室,我们要参与帮助制定这些监管规则。"
为何 Snowflake 的 AI 战略关注安全和治理
这次合作为技术决策者提供了一条在保持安全和治理的同时大规模部署 AI 的潜在途径。成功与否可能取决于谨慎的实施和能够带来可衡量业务价值的明确用例。
对于正在应对日益增长的数据量和复杂性的企业来说,安全有效地部署 AI 的能力可能成为关键的竞争优势。该平台将先进的 AI 能力与强大的安全控制相结合,预示着智能代理将成为企业运营不可分割的一部分。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。