NetApp IT 正在釋放 AI 分析的力量

在 NetApp，我們不只是談論 AI，而是積極探索、測試和實施 AI，以解決實際的業務問題。隨著圍繞生成式 AI 的炒作持續高漲，我們正在採取更專注的方法，識別高影響力的使用案例，並在我們的資料生態系統中推動有意義的成果。以下是 NetApp IT 如何處理 AI 分析以及我們學到的知識。

生成式 AI 遇上結構化資料

我們面臨的首要挑戰之一是在我們的內部生成式 AI 工具 NetAIChat 中，實現與文件的聊天型互動。用戶可以上傳檔案（Word、PowerPoint、Excel）並詢問有關它們的問題。這適用於大多數格式，但 Excel 提出了一個獨特的問題：生成式 AI 模型在數字上掙扎。

我們沒有放棄，而是迅速轉型。我們用一項新功能──Text-to-SQL──取代了自然語言理解。當使用者上傳結構化資料時，系統會將其問題翻譯成 SQL 查詢語句。結果如何？從先前大型語言模型（LLMs）難以理解的電子試算表和結構化檔案中，獲得準確且可操作的分析結果。 

以 AI 技術支援存取我們的資料倉儲

我們的下一步是從託管在 Snowflake 上的企業資料倉庫中獲取洞察力。我們正在構建一個系統，在這個系統中，人工智慧可以確定回答問題所需的資料並即時生成回應，而不是依靠人類分析師來生成報告。例如，像「顯示過去一季在德國的 Product X 的預訂」這樣的請求將不再需要工單和周轉時間，只需幾秒鐘即可處理。

目標不僅僅是速度，而是規模。我們希望讓分析師能夠專注於戰略工作，而不是手動創建報告。

即時分析—以及現實世界的護欄

雖然歷史報告很有價值，但對來自銷售和供應鏈等交易系統的即時見解的需求不斷增長。我們目前正在探索如何在不影響安全性或存取控制的情況下將 AI 與這些系統整合。

安全性是一個關鍵問題。我們不只是關注可以訪問哪些數據；我們確保只有適當的人員才能訪問它。生成式 AI 必須像任何其他企業系統一樣遵守資料權限。這意味著沒有人工智慧驅動的敏感資訊捷徑。

邁向預測智慧

NetApp此外，還投資於傳統機器學習，以用於容量規劃和勒索軟體偵測等使用案例。在這裡，歷史數據用於訓練模型以預測未來行為，例如根據異常系統活動識別勒索軟體的早期預警信號。

這些模型需要專業知識和仔細監督，但它們補充了我們的生成式 AI 工作。它們一起幫助我們回答「發生了什麼？」和「接下來可能會發生什麼？」

治理和現實主義的作用

我們還成立了 AI 治理委員會，以確保我們負責任地使用這些技術。這個委員會有機地發展起來，現在與執行領導層合作，優先考慮提供有形商業價值的用例，而不僅僅是科學實驗。

我們遇到的最大挑戰之一是管理期望。高管們通常希望 AI 驅動的答案具有與人工生成的報告相同的精度水準。但生成式 AI 並非專為 100% 準確度而打造。它最適合用於臨時見解、頭腦風暴和決策支援，而不是財務報告。

隨著我們不斷開發 AI 工具，我們正在完善各種方法，以提高對 AI 生成答案的信心，同時傳達它們的局限性。

AI 是策略差異化因素

我相信人工智慧終將像網路一樣普及，但這需要時間。目前，NetApp 處於領先地位，但該領域正飛速發展。在 FY26，我們的首要任務是加倍投入獲證實的應用案例，將其規模化實施，並確保投資於能夠帶來最大價值的項目。

我們的執行長最近在一次全公司通訊中強調：「人工智慧不僅僅是一種趨勢。它是提升效率的策略槓桿。」在 NetApp IT 部門，我們正在將這個願景化為現實。 

如需詳細資訊，請參訪 NetApp 適用於 AI 應用程式的 AI 資料管理。