Predictive Decision Intelligence With Cortex Agents And Kumo AI’s Relational Foundation Model

A: Kumo AI 解決了企業在面對大量關聯性數據時，難以進行有效預測分析的問題。他們提供一個基礎模型，能直接從 Snowflake 數據中產生即時、可解釋的預測，無需額外的模型訓練或特徵工程。

A: 傳統的 LLM 在處理結構化和關聯性數據方面表現不佳。即便將數據轉換為字串餵給 LLM，效果仍然很差，而且成本高昂。

A: Kumo AI 的基礎模型是基於圖形轉換器（graph transformer）技術。它能將 Snowflake 中的原始數據轉換成即時、可解釋的預測結果。

A: 銷售區經理可以透過 Kumo AI 快速了解潛在風險的交易、獲取準確的銷售預測、找出可能延遲的交易，以及識別可提前推進的潛在客戶，從而更有效地管理銷售團隊和達成業績目標。

A: Kumo AI 可以根據預測的成交機率，將季度交易歸類為高風險、中風險或低風險，讓銷售經理快速掌握需要特別關注的交易。

A: Kumo AI 會根據歷史數據模式調整每筆交易的規模，並結合成交機率，產生更準確的銷售預測，協助銷售經理提供更可靠的業績更新。

A: Kumo AI 不僅提供預測，還能提供可行的建議，並量化每個行動方案對成交機率的影響，例如建議引入高層主管贊助、尋找合作夥伴或提供小幅折扣。

A: 影片中提到 Kumo RFM 的多功能性體現在八種預測類型，包括分類、回歸、預測和推薦。

A: 零樣本預測引擎表示 Kumo RFM 不需要為每個個別任務訓練獨立的模型。它可以在未經訓練的情況下，直接對新的數據和查詢做出預測。

A: Snowflake Cortex 提供 SQL 查詢的功能，幫助 agent 檢索歷史資料，與 Kumo AI 共同實現完整預測決策流程。

A: Kumo RFM 可以作為 Snowflake Native app 啟動，確保所有數據都留在您的 Snowflake 帳戶中，保障數據安全。

A: 影片中示範的 agent 架構是基於 React agent 設計模式，包含一個推理步驟（reasoning step）和一個行動步驟（acting step）。

A: 推理步驟負責判斷 agent 接下來應該做什麼，決定何時需要調用工具或採取行動，以及何時需要等待進一步的人工指示。行動步驟則是執行預測或查詢等實際操作。

A: 使用了三種工具，分別是 SQL 執行工具、Cortex 分析工具和 Kumo RFM 預測工具。

A: Cortex 分析工具負責將人類的自然語言輸入轉換為 SQL 或預測查詢語法。

A: 可以輸入一個問題，例如「調查兩個重要銷售帳戶在當前季度（接下來 90 天）是否可能轉換」，驗證工具是否能返回這兩個帳戶的成交機率。

A: 影片中提到可以改進文本到預測 SQL 的轉換、加入解釋 RFM 工具（提供可解釋 AI 預測）、為 agent 增加記憶功能、建立直觀的使用者介面，以及進行大量的端到端測試。

A: Kumo AI 的技術還可以應用在醫療保健、供應鏈等領域。

A: 可以前往 Kumo AI 的網站，獲取 notebook 的副本，或預約更深入的私密示範。

A: Kumo AI 的核心價值是提供易於使用、無需訓練的預測解決方案，讓企業能快速獲得基於關聯性數據的準確預測，並應用於各種業務場景。