1、 应用程序驱动型智能 定义下一代成功的现代应用程序 2023 年 7 月联系我们 400-866- 2023 MongoDB,Inc.保留所有权利2 目录 执行摘要 3 分析和 AI 的现状 4 需要做出哪些改变？6 交付应用程序驱动型智能的方法 8 MongoDB 如何提供帮助 9 启用应用程序驱动型智能 11 行业分析师对应用程序驱动型智能的研究 13 利用集中式分析进行定位 14 应用程序驱动型智能正被广泛使用 15 开始使用 17 3 执行摘要 要在数字经济时代保持竞争力并站稳脚跟，您需要让自己的应用程序变得更加智能。更智能的应用会使用数据、AI 和分析技术以自然语言与用户互动，生成见

2、解并自主采取相应行动。这样可以带来两个好处。首先，与您的业务进行交互时，应用可通过提升客户体验和满意度来提高竞争优势。其次，应用可通过更快地制定明智的决策来提高效率和盈利能力。对于这些提供价值的更智能、采用 AI 技术的应用，它们必须直接在应用流内实时处理实时数据。思考一下：在客户浏览电商网站时，提供高度个性化的服务并使用自然语言通过聊天机器人与客户 互动。在支付处理过程中检测并阻止欺诈交易。在用户叫车时动态调整定价。为音频流和视频流提供实时字幕和翻译。除了更智能的应用之外，企业还希望针对运营流程自动制定决策并提供预测见解，以便应对“当下”发生的情况。思考一下：监控库存，以便在最佳时间推出限时

3、抢购活动或调整供应链订单。汇总支持案例并根据在线评价提取情感，以不断改进产品和促销活动。通过分析传感器遥测数据预测设备故障。生成并测试经过 SEO 优化的网页的多个副本，以提高发现率和点击率 虽然这些示例说明了不同的用例和行业，但它们都有一个共同的关键需求：需要使用实时系统中的最新数据提供实时智能、机器学习模型推理以及采取相应行动。其输出控制着应用程序的行为，并为生成式 AI 提供了基准真值上下文。这类智能和分析与传统的 BI 报告查询截然不同，后者需要人盯着仪表盘或由离线机器学习模型针对历史数据批量生成预测。4 分析和 AI 为了构建新一代的此类智能应用程序，我们需要另辟蹊径。不能再仅仅依靠

4、将数据从我们的操作系统复制到集中式分析数据仓库和数据湖中。虽然这种方法不会很快消失，但仅靠它是不够的。这是因为在不同系统之间移动数据比较耗时，并且会导致分析应用程序事件与采取行动之间出现分离。相反，我们必须将一种新的 AI 和分析处理直接引入数据源，即应用程序本身。我们将这种方法称为应用程序驱动型智能应用程序驱动型智能。这是一种开发者和分析团队都需要欣然接受的方法，以便采用通过实时处理新鲜数据来提供价值所需的新工具、技术和工作流程。的现状 人们常说，应用程序负责运行业务，而分析则负责管理业务。过去，这些功能共存于单独的域中，这些域由具备不同技能的团队构建，服务于具有不同需求的受众，并且数据在针

5、对不同任务进行了优化的系统中进行复制和存储。下面的表 1 比较了应用程序与集中式分析系统处理数据的方式，深入分析了它们之间的差异。如表所示，集中式分析系统设计用于出色地完成各种任务。但是，它们并未被设计为用于满足操作型应用程序（服务于数以千计的并发用户）的需求。它们无法对以应用程序查询为代表的记录子集提供毫秒级的细粒度访问。它们也不支持应用程序不断添加到、更新且随后实时查询以检索LLM 提示或模型推理的最新业务上下文的数据集。分析系统设计用于运行繁重、高度复杂的 BI 报告和数据科学查询，服务于有限的内部受众。这些查询会扫描数十万至数百万条记录，每条记录需要数分钟甚至数小时才能完成扫描。报告查

6、询可以为人工使用的“管理业务”仪表盘提供支持，并帮助训练专门构建的专业机器学习模型。在某些情况下，这些查询和模型的输出会被加载回操作型数据库，以供应用程序使用。在这些情况下，务必记住这些分析输出是针对老化且可能过时的数据批量生成的。它们不是基于最新的实时业务状态。5 应用程序（操作型数据库）集中式分析（数据仓库/数据湖仓）构建者 应用开发者 数据工程师、数据分析师 使用者 应用程序用户（人类、算法、用于在线 LLM 和机器学习推理的上下文检索）业务分析师、数据科学家、LoB 决策者、离线机器学习 训练 查询模式 随机访问表中的数据子集(OLTP)对表中的大部分或所有数据进行顺序扫描(OLAP)