Snowflake推出BusinessOntology,统一业务术语与指标口径以支撑企业级AI应用

Snowflake 于2026年11月3日宣布推出 Business Ontology,作为 Horizon Context 的核心组件,旨在解决企业中业务概念分散、指标口径不一导致的智能体误判问题。...

人工智能 阅读量: 30.64万

Snowflake 近日正式发布 Business Ontology(业务本体),作为其 Horizon Context 架构的关键层,面向企业级 AI 应用提供统一、可治理的业务语义底座。该功能将于2026年11月3日开启公开预览,标志着数据平台正从“存储与计算”向“语义理解与协同决策”阶段演进。

在当前企业数据环境中,同一业务概念常存在多重定义:财务部门的“净收入”可能与销售部门的“确认收入”口径不同;BI 看板、dbt 模型与分析师经验中对“客户生命周期价值”的计算逻辑亦不一致。当 AI 智能体被引入数据分析流程时,若缺乏权威参照,极易因理解偏差输出错误结论——例如将订单金额误作收入,或将未核销的合同额计入当期营收。这种“语义漂移”不仅削弱决策质量,更直接侵蚀组织对 AI 输出的信任基础。

Business Ontology 的核心目标,正是终结此类碎片化状态。它提供一个集中式治理空间,供团队定义并审批核心业务术语(如“净收入”)、实体(如“客户”“订单”)、关联关系(如“订单→生成→产品”)以及指标计算逻辑,并将其与底层数据表、语义视图(Semantic Views)建立显式映射。一旦完成注册与审批,所有接入该上下文的智能体、分析工具与人员都将自动遵循同一套标准。

如图1所示,该架构清晰呈现了业务本体如何成为跨职能智能体的语义中枢:销售智能体依据自然语言提问生成营销线索,运营智能体监控履约链路,财务智能体执行利润分析——三者虽任务各异,但均基于同一套经治理的业务关系网络(如“订单引用产品”“净收入贡献于产品”)进行推理,避免因术语歧义导致的逻辑断裂。

Business Ontology 并非孤立存在,而是 Snowflake Horizon Context 三层上下文体系中的“治理层”。另两层分别为:

  • Snowflake Cortex Sense(即将公开预览):负责自动化上下文发现。它持续采集用户查询行为、看板定义、dbt 模型与数据管道日志,从中识别高频模式与潜在矛盾点,自动生成术语建议与数据血缘路径。例如,当多个看板对“活跃用户”使用不同筛选条件时,Cortex Sense 可标记冲突并提示人工校准。

文章配图
  • Snowflake Semantic Views:承担指标计算的执行层,确保“净收入 = 订单金额 - 退货 - 折扣”等规则在所有场景下被一致应用,杜绝因 SQL 写法差异导致的结果偏移。

三层设计源于问题本质的差异:自动化发现(Cortex Sense)解决“覆盖广度”,治理定义(Business Ontology)保障“口径权威”,精确计算(Semantic Views)确保“结果可靠”。三者无固定调用顺序,企业可依实际需求灵活组合——部分团队先从术语表入手,另一些则优先落地可复用的语义视图。

为降低采纳门槛,Business Ontology 集成了开箱即用的元数据连接器,支持从 Tableau、Power BI、dbt、SQL Server、Sigma、Omni、PostgreSQL 等主流工具中自动抽取 schema、查询历史与看板配置。系统进一步利用跨平台数据血缘技术,追踪字段从源库经 ETL 到最终看板的完整转换链路,构建全域数据资产地图。这意味着,即便某项指标定义最初来自 Power BI 看板,其源头仍可回溯至 Snowflake 外部的 PostgreSQL 表,实现内外数据语义的贯通。

实际操作中,以“净收入”为例:分析师在 Business Ontology 中创建该术语,指定作用域为“财务”,绑定责任人,完成审批流程后,将其关联至对应语义视图中的计算逻辑(如 SUM(net_revenue_usd))。此后,任何智能体在处理“上季度各产品线净收入对比”请求时,将自动调用该定义,而非依赖自身对字段名的猜测。

Business Ontology 界面截图:展示“Net Revenue”术语的定义页,含 SQL 查询模板、节点关系图谱与同义词列表

如图2所示,界面左侧为节点关系图谱,直观呈现“净收入”如何由“订单”“产品”“客户”等实体派生;右侧列明同义词(如 revenue, sales, NSV)与多版本表示(如 PNL_NET_REVENUE),便于兼容历史系统命名习惯。这种可视化治理方式显著降低了非技术角色参与语义建设的门槛。

值得注意的是,Business Ontology 的价值不仅在于防错,更在于加速智能体落地。过去,每新增一个智能体,团队需重复梳理业务逻辑、校准指标口径、验证数据来源;如今,这些工作只需一次性完成,后续智能体可直接复用已治理的知识资产。据 Snowflake 内部测试,采用该方案后,智能体首次回答准确率提升约35%,人工复核成本下降超60%。

行业层面,这一进展呼应了数据治理从“合规驱动”向“AI就绪驱动”的范式转移。Gartner 在2025年报告中指出,到2027年,70%的企业级 AI 项目失败主因并非算法缺陷,而是业务语义缺失。Snowflake 此举实质是将传统主数据管理(MDM)与知识图谱能力嵌入数据平台原生层,使语义治理不再依赖独立系统,而是随数据流动自然沉淀。

目前,Business Ontology 已纳入 Snowflake Horizon Catalog 的受治理上下文层,与现有数据目录、权限体系深度集成。企业可选择仅启用术语治理模块,或同步部署 Cortex Sense 与 Semantic Views,逐步构建完整的语义基础设施。

随着企业对 AI 决策可信度的要求日益提高,统一业务规范正从“可选项”变为“必选项”。Business Ontology 的推出,标志着数据平台厂商开始系统性补足 AI 应用最后一块拼图——让机器真正“懂业务”,而不仅是“会算数”。