Connecty AI 映射解决企业数据管道混乱

数据混乱的救星：Connecty AI 融资 180 万美元，用“上下文感知”简化企业数据栈

企业数据栈，如同一个错综复杂的迷宫，数据从多个来源涌入，流经多云平台，最终分散到各种 AI、BI 和聊天机器人应用中。管理这些生态系统，如同在迷宫中穿梭，耗时费力，令人头疼。

来自旧金山的初创公司 Connecty AI 悄然崛起，宣布获得 180 万美元融资，并正式亮相。他们的目标，正是用“上下文感知”来化解数据混乱，为企业数据栈带来秩序。

Connecty 的核心创新在于其“上下文引擎”，它横跨企业的整个数据管道，实时分析和连接各种数据源。通过将数据点链接起来，该平台能够对企业实时运营状况进行细致入微的理解。这种“上下文感知”能力，赋能自动化数据任务，最终为企业提供准确、可操作的商业洞察。

虽然 Connecty 仍处于起步阶段，但它已经开始为多家企业简化数据任务。该平台将数据团队的工作量减少了高达 80%，原本需要数周才能完成的项目，现在只需几分钟即可完成。

早在大型语言模型出现之前，数据混乱就已经是企业面临的严峻现实。随着结构化和非结构化信息以空前速度增长，企业团队一直在努力整理其碎片化的数据架构。这导致了关键业务上下文分散，数据模式过时，最终导致下游应用性能低下。想象一下，AI 聊天机器人出现幻觉，BI 仪表盘提供不准确的商业洞察，这些都是数据混乱带来的后果。

Connecty AI 的创始人 Aish Agarwal 和 Peter Wisniewski 在数据价值链中各自担任重要角色，他们亲眼目睹了这些挑战，并意识到问题的根源在于：无法掌握跨越数据管道的业务数据的细微差别。本质上，团队不得不花费大量时间进行手动数据准备、映射、探索性数据分析和数据模型准备。

为了解决这个问题，两人开始着手创建 Connecty AI，其核心是“上下文引擎”。

“我们解决方案的核心是专有的上下文引擎，它能够实时提取、连接、更新和丰富来自不同来源的数据（通过无代码集成），并包含人机交互反馈，以微调自定义定义。我们通过结合向量数据库、图数据库和结构化数据来实现这一点，构建一个‘上下文图’，它能够捕捉和维护所有信息的细致入微、相互关联的视图，”Agarwal 告诉 VentureBeat。

一旦覆盖所有数据管道的特定于企业的上下文图准备就绪，该平台就会使用它为每个用户的角色自动生成动态个性化的语义层。该层在后台运行，主动在数据管道中生成推荐，更新文档，并提供与上下文相关的洞察，这些洞察能够立即满足不同利益相关者的需求。

“Connecty AI 对不同数据集及其与每个对象的连接进行深度上下文学习，以生成全面的文档并根据业务意图识别业务指标。在数据准备阶段，Connecty AI 将生成一个动态语义层，帮助自动化数据模型生成，同时突出显示不一致之处并通过人类反馈来解决这些问题，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，最大限度地减少他们对技术团队的依赖，并促进更敏捷、数据驱动的决策，”Agarwal 解释道。

这些洞察通过“数据代理”传递给用户，数据代理以自然语言与用户交互，同时考虑他们的技术专长、信息访问级别和权限。本质上，创始人解释说，每个用户角色都会获得适合其角色和技能的定制体验，这使得他们更容易有效地与数据交互，提高生产力，并减少对大量培训的需求。

虽然包括 DataGPT 这样的初创公司和 Snowflake 这样的数十亿美元巨头在内的许多公司都承诺通过大型语言模型驱动的界面更快地访问准确的洞察，但 Connecty 声称其基于上下文图的方法能够覆盖整个数据栈，而不仅仅是一个或两个平台。

据该公司称，其他组织通过解释静态模式来自动化数据工作流程，但这种方法在生产环境中效果不佳，因为生产环境需要对跨系统和团队的数据有一个不断发展、连贯的理解。

目前，Connecty AI 处于营收前阶段，但它正在与多家合作伙伴公司合作，进一步提高其产品在真实数据和工作流程中的性能。这些合作伙伴包括 Kittl、Fiege、Mindtickle 和 Dept。这四家公司都在其环境中运行 Connecty 的概念验证，并已能够优化数据项目，将团队的工作量减少了高达 80%，并加快了洞察速度。

“我们的数据复杂性正在快速增长，数据准备和分析指标需要更长的时间。我们平均要等待 2-3 周才能准备数据，并从产品使用数据中提取可操作的洞察，并将它们与交易数据和营销数据合并。现在有了 Connecty AI，只需几分钟，”Kittl 的首席执行官 Nicolas Heymann 说。

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企业推出该产品，并根据每用户或使用量计费。