Snowflake Business Ontology:AI 时代如何统一业务口径?

资讯 InfoQ 全文 5290 字 · 约 14 分钟读完 配图 3 张

11 月 3 日,Snowflake 宣布推出 Business Ontology ,即将开启公开预览。它提供了一种受治理的方式,支持团队定义、归属、审批共用业务术语、实体、关联关系与指标,并将其映射至承载这些定义的数据和模型。

2026 年,智能体在企业级应用里能有哪些实质性突破?《2026 年 AI 与数据发展预测》白皮书已可下载,里面是专家的一手前瞻,帮团队抢先接触新的工作方式。

11 月 3 日,Snowflake 宣布推出 Business Ontology,即将开启公开预览。团队可以用一种受治理的方式,定义、归属、审批共用的业务术语、实体、关联关系与指标,再把它们映射到承载这些定义的数据和模型上。Business Ontology 属于 Snowflake Horizon Context,也就是 Horizon Catalog 里的受治理上下文层。有了它,人员和 AI 智能体用的是同一套经过审批的标准定义,智能体可以按业务口径去解读企业数据。销售、财务、营销等不同业务域的差异也保留着,团队不必为每个工具重复定义,这套业务知识能在各类智能体和应用中复用。

举个例子,智能体处理收入相关查询时,得先搞清楚财务口径下收入是怎么定义的,以及收入和订单、客户之间是什么关联关系。这类业务知识平时散落在 BI 模型、dbt 项目和资深员工的脑子里。每新增一个智能体,团队往往要把相关逻辑重新搭一遍。智能体一旦理解偏了,大家就会照着错误的数据做决策,对 AI 输出结果的信任也就没了。Business Ontology 要做的,就是给团队一个统一存放官方业务知识的唯一底座。

Snowflake Business Ontology connects business concepts such as customers, orders and net revenue to the tables, semantic views and services that implement them, so agents across teams work from the same model of the business.

整合全域数据资产知识,构建权威业务上下文

Horizon Context 把团队现有各类工具里的业务知识汇集起来。它自带开箱即用的元数据连接器,能从 Tableau、Power BI、dbt、SQL Server、Sigma、Omni、 PostgreSQL 等数据源采集 schema、查询日志、看板定义以及使用行为信号。跨平台数据血缘则让系统追踪数据从源数据库到看板、历经多层转换的完整链路,拼出一张连通的数据资产全景图,团队由此能掌握 Snowflake 内外数据的来源与使用情况。

为了让智能体可信地调用上下文,Snowflake 把上下文分成三层,各管一摊:Snowflake Cortex Sense(即将开启公开预览)负责自动推断上下文,Business Ontology 负责治理业务含义,Snowflake Semantic Views 负责执行指标计算。

为什么不合成一层,而要拆成三层?因为每层解决的问题不一样,没有任何单一能力能同时把这三件事都兼顾了。Cortex Sense 让智能体快速、广泛地覆盖数据资产,团队不用提前手动定义每张数据表和每一项指标。Business Ontology 在核心环节注入权威口径,保证人员和智能体都遵循经过审批的业务定义。Semantic Views 管的是计算精准度,让各项指标每次都按一致规则运算。

这三层并没有固定的先后顺序。客户可以先挑最贴合自身迫切需求的那一层用起来,再随着业务发展叠加其余能力。有的团队从术语表切入,有的团队优先落地可执行指标。从哪一层切入都行,三层能力最终都会为所有智能体、应用及人员提供统一、权威的业务上下文。

下面逐层展开。

借助 Cortex Sense 实现上下文自动化

对不少团队来说,Cortex Sense 是很自然的切入点,大量底层工作由它自动完成。它会持续观测用户查询数据、搭建看板、运行数据管道的行为并采集上下文,把这些日常操作沉淀成业务认知,团队手动定义每张数据表、各项指标含义及关联关系的成本也就降下来了。

Cortex Sense 靠团队已有的元数据和使用行为模式来构建上下文,涵盖查询历史、看板、dbt 模型等资产。业务变了,它的认知也跟着迭代,知识库按预设周期自动更新。团队要做的是锁定业务应用场景、接入现有相关上下文,再借助反馈和评估持续调优,不必为每张数据表手动建模。它还能自动识别相互矛盾的业务信息,提请团队确认可信来源。

等到团队准备对核心业务术语开展治理,Cortex Sense 可以在 Business Ontology 中生成初始草稿,自动给出推荐定义、关联关系以及数据链路,团队不用从零搭建。大家只需锁定业务应用场景、接入已有相关上下文,再通过反馈与评估加以打磨,手动为每张表建模的负担就省掉了。与此同时,Cortex Sense 能智能识别存在冲突的业务信息,提请团队确认可信来源。

借助 Business Ontology 定义业务上下文

Business Ontology 是团队统一登记核心业务术语的定义、责任人以及相互关联关系的载体。拿 “净收入” 来说,不必再让每个语义视图、看板和智能体各持一个版本,分析师定义一次就行(或从现有术语表导入),把作用域设为“财务”,指定责任人,完成审批,再把它关联到语义视图里计算它的那个指标(见图 2)。此后,所有智能体与跨团队成员都按这套经过审批的标准定义开展工作。团队可实现以下操作:

  • 让智能体锚定业务概念:客户、订单、收入等业务概念及其关联关系由领域专家定义,工程师再把这些业务定义对接到底层数据。这一步完成后,智能体就能依托企业自有业务知识解读数据;

  • 面对不同语义视图中的同类指标,团队能把它挂到同一份共享业务定义上:口径因此一致,但各团队怎么算仍可自行决定。Business Ontology 也允许保留经过认可的差异化口径——以餐饮企业为例,不同品牌可以各自定义“同店销售额”。每一套口径的处理顺序是:先独立审批,再打上所属品牌,最后与承载计算逻辑的语义视图绑定;

  • 术语查询对所有人开放:谁都能查某个术语,看它的责任人是谁、审批到哪一步,并沿链路追溯到该指标的计算出处。品牌、区域层面的差异化口径,则各自保留作用域。

In Business Ontology, net revenue has one approved definition, with its synonyms, related concepts and variants, linked to the metrics that calculate it in two semantic views.

这些定义会直接影响业务决策,所以谁能建、谁能改、谁能批,企业可以借 Horizon Catalog 的治理能力来限定。AI 给出的建议、外部导入的定义,都只是待审的初始素材,最终哪些能成为正式口径,由对应的责任人拍板。获批定义如果和 Cortex Sense 的自动推断结果对不上,智能体优先采用获批的那一版,Cortex Sense 也会据此不断学习。

用 Semantic Views,定义和计算逻辑配一次,全局都能复用

指标怎么算,归 Semantic Views 管;指标的业务含义和审批人,归 Business Ontology 管。每个语义视图把某个业务域里的指标、维度、联接打包成一个 Snowflake 对象,智能体、BI 工具、SQL 都能直接查。这样一来,智能体写 SQL 时依据的是受治理的逻辑,不用自己猜计算规则。Business Ontology 只做一件事:把获批的业务定义挂到对应的语义视图上,计算逻辑不动。计算规则归谁管,还是那个视图的责任人说了算。

高质量的上下文,离不开原生开放的平台

业务知识得能跨工具流动,价值才释放得出来。Snowflake 参与发起 Apache Ossie(孵化中),出发点就在这里。这是一套厂商中立的语义模型开放标准,目前有数十家机构共同支持,Microsoft、Salesforce、dbt Labs、Qlik、ThoughtSpot 都在其中。有了这套标准,Semantic Views 通过导入、导出 Ossie 定义,就能让指标口径在 Snowflake 和别的兼容 Ossie 的工具之间互通,团队不用在多个系统里重复搭同一套指标。另外,部署在 Snowflake 之外的智能体,也能通过模型上下文协议(MCP)查询 Semantic Views,访问权限统一由 Horizon Catalog 管控。

dentsu 全球工程负责人 Morten Lileng 表示:“语义漂移是多方协作数据环境里最容易被低估的风险之一。电通旗下数据技术代理商 Merkle,长期在行业内复杂度极高的数据环境中开展业务。Snowflake Business Ontology 从基础设施层面解决这个问题,为每一项业务定义配置责任人,让每个下游系统都得到同一个受治理的答案。”

分析公司怎么评价 Snowflake Business Ontology

不少用户拿结论靠的是 BI 和分析工具,统一的业务上下文因此变得很关键。下面看看 Omni、Sigma、ThoughtSpot 各自怎么理解上下文这道难题,以及 Business Ontology 在其中起了什么作用:

Omni 联合创始人兼总裁 Jamie Davidson 表示:“我们可以把上下文类比成新分析师的入职培训。培训的核心,就是讲清各项数据资产的使用场景、使用目的与使用方式。Omni 原生基于受治理的语义模型搭建,也是唯一可与 Snowflake Semantic Views 双向集成的工具。而 Business Ontology 则补充了关键一环,用来沉淀经过审批的业务定义。双方协同发力,帮助共同客户打造可信上下文,为所有用户和智能体提供支撑。”

Sigma 产品管理总监 Zalak Trivedi 认为:“AI 智能体的可靠性,由支撑它的业务上下文与业务定义决定。依托 Business Ontology,我们和 Snowflake 的共同客户只需定义一次业务概念,就能在 Sigma AI 中直接复用。客户可以基于这套统一口径搭建受治理的应用、看板与智能体,在 Sigma 中生成可信的分析内容。”

ThoughtSpot 产品高级副总裁 Francois Lopitaux 表示:“可信的 AI 的根基,是可信的业务上下文。Snowflake Business Ontology 为企业搭建受治理的底座,统一存放业务术语的标准定义。ThoughtSpot 依托 Spotter 持续采集业务用户的实践知识,对这套基准上下文做补充拓展,为用户提供准确可解释的结论与可执行建议。双方协同,助力客户满怀信心地规模化推进智能体驱动型分析。”

靠 Business Ontology,把知识攒成企业的统一资产

人会调岗,工具会换掉,数据模型也在变。藏在背后的知识,往往就这么散掉了。用 Business Ontology,企业能把这些知识变成可反复取用的企业资产:每一项定义都指定明确的责任人,并挂上对应的计算来源。往后新加的智能体或应用,直接复用企业已经沉淀下来的业务认知就行。

常见问题

Snowflake Business Ontology 是什么?

Business Ontology(即将开启公开预览)是 Snowflake Horizon Context 里的业务建模与治理层。企业用它来定义业务概念、指标以及它们之间的关联,这些定义都不绑在某个单一数据模型上。每项定义都记下责任人和审批状态,同时关联到承载它的语义视图、数据表与视图。按这套管控规则,只有获批的定义才会交给 CoCo 和 CoWork 中的 AI 智能体,智能体拿到的就是企业认可的含义,不用在几套打架的实现里挑一个。

AI 智能体为什么需要业务上下文?

业务上下文经过治理,智能体就能按企业统一的业务口径去解读数据,结果也更准。智能体能取数,但它自己看不懂业务术语指什么,也理不清各个业务概念之间怎么连。它需要上下文,也就是一组获批的参照,告诉它采信哪个定义、遵守哪些策略、纳入哪些企业知识。缺了这些,智能体只能去猜含义和数据源,同一个问题可能给出不一样的答案。

那么,Business Ontology 与 Semantic Views 之间是什么关系?

Business Ontology 管的是业务语义层,业务术语指什么、由谁负责、跟其他概念怎么挂钩,都在这一层说清楚。Semantic Views 则落在数据计算层,指标怎么算由它规定,指标、维度和关联条件被打包成可查询对象,智能体、BI 工具和 SQL 都能直接拿来用。两层这样分工之后,不同语义视图里出现等价指标,Business Ontology 也能把它们归到同一份获批的共享定义上。

换到别的工具,已经定好的业务定义还能不能接着用?

能。Business Ontology 兼容 Apache Ossie(孵化中)和资源描述框架(RDF)等开放格式,业务概念、定义以及关联关系都可以导入导出。团队因此能把已审批的业务知识拿到其他工具里复用,不必重新定义一遍。Semantic Views 也支持 Ossie 定义的导入导出,指标口径同样不用重复搭建。另外,部署在 Snowflake 之外的智能体可以通过 Model Context Protocol 查询 Semantic Views,访问权限全部由 Horizon Catalog 统一管控。

Snowflake Business Ontology:AI 时代如何统一业务口径?(配图 3)
本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 剑桥词典2026年度词选“Human”:AI时代重问人性是什么

    IT之家 11 月 18 日消息,人工智能带来的担忧,让剑桥词典将目光重新投向了 15 世纪,选择一个古老词汇来概括 2026 年的时代文化特征。剑桥词典公布的年度词汇是“Human”。这一选择不仅是对过去的回望,也在一定程度上反映了人们对 AI 发展的反思。随着人工智能逐渐模糊机器与人类之间的界限,关于人类独特性的讨

    来源 腾讯网
  2. 击败传统 K-pop 偶像,AI 辅助制作歌曲首次登顶韩国热门音乐排行榜

    IT之家 11 月 17 日消息,据日经亚洲今天(17 日)上午报道,韩国 AI 音乐项目 MEOMURU 推出的《你成为梦想中的大人了吗?》登顶 Melon TOP100,成为第一首登上韩国主要音乐榜单榜首的 AI 辅助制作歌曲。 该曲在当地时间 13 日登上 Melon TOP100 榜首,截至当地时间 16 日仍

    来源 AI 行业观察
  3. 超三分之一Z世代靠AI交朋友,孤独感反而更重?

    盖洛普最新报告显示,超过三分之一的Z世代将AI作为社交伴侣,拥有纯线上朋友或依赖AI陪伴的年轻人,孤独感显著高于其他群体。技术看似填补了社交空缺,却可能加剧人际疏离。本文编译自WIRED,解析这一矛盾现象背后的数据与隐忧。

    来源 AI 科技快讯
  4. AI伴侣的孤独陷阱

    AI伴侣的核心卖点是随叫随到的陪伴,但这种陪伴是否真正有效?斯坦福大学一项基于46万条真实聊天记录的研究发现,对于社交网络薄弱的人,这种陪伴不仅没有缓解孤独,反而让孤独加剧。

    来源 AI 行业观察
  5. AI伴侣越聊越孤独:斯坦福1131人研究揭开三个机制

    (本文作者为 猫头鹰科技社,钛媒体经授权发布)文 | 猫头鹰科技社一个24小时在线、永远温柔、从不拒绝你的AI伴侣,听起来似乎是缓解孤独的完美方案。然而,这可能只是一种违反直觉的幻觉。2026年8月4日,美国斯坦福大学杨迪一(Diyi Yang)团队在《自然·人类行为》(Nature Human Behaviour)发

    来源 腾讯网
  6. 盖洛普报告:超三分之一Z世代用AI交朋友,孤独感更高

    盖洛普最新报告显示,超过三分之一的Z世代将AI作为社交伴侣,拥有纯线上朋友或依赖AI陪伴的年轻人,孤独感显著高于其他群体。技术看似填补了社交空缺,却可能加剧人际疏离。本文编译自WIRED,解析这一矛盾现象背后的数据与隐忧。

    来源 AI 行业观察
  7. AI 崛起,专业价值被消解,还是被重塑?

    设置星标★关注,从此你的世界多点科学~现代工程项目越来越多地要求人类判断力与机器能力相结合。工程师可以先定义问题,接着借助AI工具检索相关研究成果和技术标准,生成多种设计方案,开展仿真测试,并对比各项结果,然后将结果交给那些“能判断AI所不能判断”的其他领域专家,后者负责评估某款设计可否安全落地、在特定...

    来源 腾讯网
  8. 业务本体:面向 AI 与数据分析,统一规范业务概念与指标口径 | 技术趋势

    2026 年,智能体将在企业级应用中取得哪些实质性突破?点击下载《2026 年 AI 与数据发展预测》白皮书,获悉专家一手前瞻,抢先拥抱新的工作方式! 11 月 3 日,我们宣布推出 Business Ontology ,即将开启公开预览。它提供了一种受治理的方式,支持团队定义、归属、审批共用业务术语、实体、关联关系与

    来源 AI 行业观察
向下滚动自动加载更多