De los datos del almacén a información impulsada por IA en minutos

Ya utilizas Fivetran Activations para convertir los datos de tu almacén en impacto de negocio. Ahora te ayudamos a hacer lo mismo con la IA. Presentamos 2 nuevas funciones que habilitan potentes flujos de trabajo para los equipos de datos e IA:

1. Embedding Columns: genera incrustaciones vectoriales (embeddings) directamente en tus conjuntos de datos utilizando los modelos de embeddings de OpenAI o Gemini.
2. Nuevas conexiones a almacenes de vectores: compatibilidad integrada con Pinecone y turbopuffer, para que puedas sincronizar los embeddings directamente con las bases de datos vectoriales modernas.

Juntas, hacen posible pasar de los datos sin procesar de tu almacén a vectores listos para la IA en producción, sin crear una sola canalización personalizada.

El reto: preparar los datos para la IA es difícil 

Todas las empresas que exploran la IA se enfrentan al mismo problema: tienes datos estructurados y valiosos en tu almacén —registros de CRM, tickets de soporte, opiniones de producto—, pero para poder utilizarlos con grandes modelos de lenguaje o sistemas de recuperación, esos datos deben convertirse en incrustaciones vectoriales.

Normalmente, eso implica escribir scripts, gestionar trabajos por lotes y mantener una base de datos vectorial actualizada de forma manual. Es tedioso, frágil y rara vez recibe la atención que merece.

Ahora es simplemente parte de tu flujo de trabajo de Activations. Puedes crear embeddings con la misma facilidad con la que creas una columna calculada, y sincronizarlos donde quieras.

Ejemplo de flujo de trabajo: una búsqueda más inteligente de tickets de soporte 

Esto es lo que parece en la práctica. Tu equipo de soporte trabaja en Zendesk o Intercom. Tu equipo de analítica utiliza Fivetran para llevar esos datos a Snowflake. Y tú usas Activations para modelarlos y sincronizarlos de vuelta a las aplicaciones de negocio de tu stack. Ahora, con Embedding Columns, puedes hacer que esos datos sean comprensibles y accesibles en tus flujos de trabajo de IA.

1. Añade una Embedding Column

En tu conjunto de datos support_tickets, utiliza el menú Enrich & Enhance para añadir una nueva Embedding Column que convierta el texto del ticket en un vector de embedding de OpenAI.

Ahora cada ticket obtiene su propia representación vectorial: una codificación numérica de su significado.

Los tickets similares aparecen próximos entre sí en el espacio vectorial, incluso cuando están redactados de forma diferente. Un usuario podría decir «el inicio de sesión con SSO no deja de fallar» y otro «no puedo iniciar sesión con Okta». Con los embeddings, la IA reconoce que describen el mismo problema. 

2. Sincroniza con turbopuffer o Pinecone

A continuación, utiliza nuestras nuevas conexiones a turbopuffer o Pinecone para enviar ese conjunto de datos enriquecido, incluidos los embeddings, directamente a un almacén de vectores.

Sin scripts de ETL independientes. Sin trabajos por lotes. Activations mantiene los vectores actualizados automáticamente cada vez que cambian los datos de los tickets.

También puedes enriquecer los datos que ya tengas en turbopuffer mediante su función «patch».

3. Crea una herramienta de búsqueda o de sugerencias impulsada por IA

Tus desarrolladores ahora pueden crear un asistente interno o una herramienta de búsqueda que consulte el almacén de vectores para encontrar tickets semánticamente similares. Cuando llega un ticket nuevo, tu sistema puede mostrar al instante:

• Problemas históricos relacionados, incluso cuando están redactados de forma diferente
• Las soluciones que los resolvieron
• El agente de soporte que mejor los gestionó

Es el comienzo de una automatización del soporte más inteligente y con generación aumentada por recuperación, impulsada por tu almacén y orquestada por completo mediante Activations.

Por qué esto importa

Embedding Columns y las nuevas conexiones a almacenes de vectores acercan los flujos de trabajo de IA a donde ya viven tus datos.

• Simplicidad: sin infraestructura adicional ni trabajo manual. Solo define tu modelo y sincroniza. 
• Actualización: los embeddings se mantienen al día a medida que los datos cambian. 
• Flexibilidad: elige el modelo de embeddings y el destino que encajen en tu stack. 
• Gobernanza: todo se ejecuta a través de los mismos contratos de datos y el mismo linaje que ya tienes establecidos.

Tu almacén no es solo tu fuente de verdad para la analítica: ahora es la base para la IA.

Lo que puedes crear a continuación

Este flujo de trabajo puede impulsar innumerables casos de uso basados en IA:

• Inteligencia de CRM: identifica cuentas o leads similares a partir de notas o correos electrónicos.
• Búsqueda en la base de conocimiento: permite que los empleados consulten la documentación interna de forma semántica.
• Análisis de opiniones: agrupa los comentarios de los clientes o el texto de las encuestas por significado.
• Soporte inteligente: atiende a los clientes a escala con mejor contexto.

Ya tienes los datos. Ahora pueden hacer más.

[CTA_MODULE]