NetApp IT 正在释放人工智能分析的力量

在NetApp，我们不仅仅是在谈论人工智能，我们正在积极探索、测试和实施人工智能，以解决实际的业务问题。随着围绕生成式人工智能的炒作不断膨胀，我们正在采取更集中的方法，识别具有高影响力的用例，并在整个数据生态系统中推动有意义的结果。以下是NetApp IT 如何处理人工智能分析以及我们所学到的知识。

生成式人工智能与结构化数据相结合

我们面临的首批挑战之一是在我们的内部生成式人工智能工具 NetAIChat 中实现基于聊天的文档交互。用户可以上传文件（Word、PowerPoint、Excel），并询问有关它们的问题。这适用于大多数格式，但 Excel 提出了一个独特的问题：生成式 AI 模型难以处理数字。

我们没有放弃，而是转变了方向。我们用一项新功能——Text-to-SQL 取代了自然语言解释。当用户上传结构化数据时，系统会将其问题转换为 SQL 查询。结果？从以前被大型语言模型 (LLMs) 误解的电子表格和结构化文件中获得准确、可操作的分析结果。 

人工智能驱动的数据仓库访问

我们的下一步是从 Snowflake 托管的企业数据仓库中获取见解。我们正在构建一个系统，让人工智能确定回答问题所需的数据并即时生成回复，而不是依靠人类分析师来生成报告。例如，"显示上个季度产品 X 在德国的预订"这样的申请将不再需要工单和周转时间，可以在几秒钟内处理。

目标不仅仅是速度，而是规模。我们希望让我们的分析师能够专注于战略工作，而不是手动创建报告。

实时分析和现实世界的护栏

虽然历史报告很有价值，但对销售和供应链等交易系统的实时洞察的需求越来越大。我们目前正在探索如何在不影响安全性或访问控制的情况下将人工智能与这些系统集成。

安全是一个关键问题。我们不仅仅关注哪些数据可以访问，我们还确保只有合适的人才能访问这些数据。生成式人工智能必须像任何其他企业系统一样尊重数据权限。这意味着不能通过人工智能绕过敏感信息的保护。

转向预测性智能

NetApp 还投资于传统机器学习，用于容量规划和勒索软件检测等用例。在这里，历史数据用于训练模型以预测未来行为，例如基于异常系统活动识别勒索软件的早期预警信号。

这些模型需要专业知识和仔细的监督，但它们补充了我们的生成式人工智能工作。它们一起帮助我们回答"发生了什么？"和"接下来可能会发生什么？"

治理和现实主义的作用

我们还成立了一个人工智能治理委员会，以确保我们负责任地使用这些技术。该委员会有机增长，现在与高管领导层合作，优先考虑提供有形商业价值的用例，而不仅仅是科学实验。

我们遇到的最大挑战之一是管理预期。高管们通常希望人工智能驱动的答案与人工生成的报告具有相同的精确度。但生成式人工智能并不是以100%的准确性构建的。它最适合用于临时见解、头脑风暴和决策支持，而不是财务报告。

随着我们继续开发人工智能工具，我们正在改进方法，以提高对人工智能生成的答案的信心，同时传达其局限性。

人工智能作为战略差异化因素

我相信人工智能将像互联网一样无处不在，但这需要时间。目前，NetApp 处于领先地位，但该领域正在迅速发展。在 FY26，我们的首要任务是加倍投入经过验证的用例，将其大规模落地，并确保我们的投资能够创造最大价值。

我们的首席执行官最近在全公司范围内的沟通中强调，"人工智能不仅仅是一种趋势。这是推动效率提升的战略杠杆。"在 NetApp IT，我们正在将这一愿景变为现实。 

有关详细信息，请访问NetApp AI应用程序的AI数据管理