De l'entrepôt aux insights propulsés par l'IA en quelques minutes

Vous utilisez déjà Fivetran Activations pour transformer les données de votre entrepôt en impact commercial. Nous vous aidons désormais à faire de même avec l'IA. Nous présentons 2 nouvelles fonctionnalités qui ouvrent de puissants nouveaux workflows pour les équipes data et IA :

1. Embedding Columns : générez des plongements vectoriels (embeddings) directement dans vos jeux de données à l'aide des modèles d'embeddings d'OpenAI ou de Gemini.
2. Nouvelles connexions aux bases vectorielles : prise en charge intégrée de Pinecone et de turbopuffer, afin de synchroniser les embeddings directement vers les bases de données vectorielles modernes.

Ensemble, elles permettent de passer des données brutes de votre entrepôt à des vecteurs prêts pour l'IA en production, sans créer une seule pipeline personnalisée.

Le défi : préparer les données pour l'IA est difficile 

Toutes les entreprises qui explorent l'IA sont confrontées au même problème : vous disposez de données structurées et riches dans votre entrepôt — enregistrements CRM, tickets d'assistance, retours produits —, mais pour les rendre exploitables avec les grands modèles de langage ou les systèmes de recherche, ces données doivent être transformées en plongements vectoriels.

Cela implique généralement d'écrire des scripts, de gérer des traitements par lots et de maintenir manuellement une base de données vectorielle à jour. C'est fastidieux, fragile et cela reçoit rarement l'attention qu'il mérite.

Désormais, cela fait simplement partie de votre workflow Activations. Vous pouvez créer des embeddings aussi facilement que vous créez une colonne calculée, et les synchroniser où vous le souhaitez.

Exemple de workflow : une recherche de tickets d'assistance plus intelligente 

Voici à quoi cela ressemble en pratique. Votre équipe d'assistance travaille dans Zendesk ou Intercom. Votre équipe d'analytique utilise Fivetran pour intégrer ces données dans Snowflake. Et vous utilisez Activations pour les modéliser et les resynchroniser vers les applications métier de votre stack. Désormais, avec Embedding Columns, vous pouvez rendre ces données compréhensibles et accessibles dans vos workflows d'IA.

1. Ajoutez une Embedding Column

Dans votre jeu de données support_tickets, utilisez le menu Enrich & Enhance pour ajouter une nouvelle Embedding Column qui convertit le texte du ticket en vecteur d'embedding OpenAI.

Chaque ticket obtient désormais sa propre représentation vectorielle : un encodage numérique du sens.

Les tickets similaires apparaissent proches les uns des autres dans l'espace vectoriel, même lorsqu'ils sont formulés différemment. Un utilisateur peut dire « la connexion SSO échoue sans cesse », un autre « impossible de me connecter avec Okta ». Grâce aux embeddings, l'IA reconnaît qu'ils décrivent le même problème. 

2. Synchronisez avec turbopuffer ou Pinecone

Ensuite, utilisez nos nouvelles connexions turbopuffer ou Pinecone pour envoyer ce jeu de données enrichi, embeddings compris, directement vers une base vectorielle.

Aucun script ETL distinct. Aucun traitement par lots. Activations maintient automatiquement les vecteurs à jour chaque fois que les données des tickets changent.

Vous pouvez également enrichir les données que vous avez déjà dans turbopuffer grâce à leur fonction « patch ».

3. Créez un outil de recherche ou de suggestion propulsé par l'IA

Vos développeurs peuvent désormais créer un assistant interne ou un outil de recherche qui interroge la base vectorielle pour trouver des tickets sémantiquement similaires. Lorsqu'un nouveau ticket arrive, votre système peut instantanément faire remonter :

• Les problèmes historiques associés, même formulés différemment
• Les résolutions qui les ont réglés
• L'agent d'assistance qui les a le mieux traités

C'est le début d'une automatisation de l'assistance plus intelligente et augmentée par la recherche, propulsée par votre entrepôt et entièrement orchestrée via Activations.

Pourquoi c'est important

Embedding Columns et les nouvelles connexions aux bases vectorielles rapprochent les workflows d'IA de l'endroit où vivent déjà vos données.

• Simplicité : aucune infrastructure supplémentaire ni travail manuel. Définissez simplement votre modèle et synchronisez. 
• Fraîcheur : les embeddings restent à jour au fur et à mesure que les données évoluent. 
• Flexibilité : choisissez le modèle d'embeddings et la destination qui s'intègrent à votre stack. 
• Gouvernance : tout passe par les mêmes contrats de données et la même traçabilité que vous avez déjà en place.

Votre entrepôt n'est plus seulement votre source de vérité pour l'analytique : il constitue désormais la base de l'IA.

Ce que vous pouvez créer ensuite

Ce workflow peut alimenter d'innombrables cas d'usage basés sur l'IA :

• Intelligence CRM : identifiez des comptes ou des leads similaires à partir de notes ou d'e-mails.
• Recherche dans la base de connaissances : permettez à vos employés d'interroger la documentation interne de manière sémantique.
• Analyse des retours : regroupez les commentaires des clients ou le texte des enquêtes par sens.
• Assistance intelligente : servez vos clients à grande échelle avec un meilleur contexte.

Vous avez déjà les données. Elles peuvent désormais faire plus.

[CTA_MODULE]