科技媒体公司通过 Neo4j GraphRAG、Amazon Bedrock 和德勤实现 10 倍更快的生成式AI分析

在游戏领域，时机就是一切。一个促销决策可能带来——或损失——数百万美元的收入。

“我们的高管过去常常需要等待两到三周，分析师才能整理出关于特许经营业绩或促销影响的报告，”该公司的一位高级解决方案架构师解释道。“在当今竞争激烈的游戏市场中，这太久了。我们需要一种方式来普及对我们企业数据的访问，同时确保每个洞察都完全值得信赖。”

该公司面临着比速度更深层次的挑战。他们的业务数据分散在多个系统中——销售数据、客户反馈、市场事件、促销数据。传统数据库无法映射这些来源之间复杂的关联。
“我们的解决方案需要理解我们业务不同方面之间的深层关系——竞争对手的推出如何影响我们的销售，促销时机如何影响收入，开发决策如何影响玩家参与度，”该公司的一位高级解决方案架构师分享道。“我们需要一个解决方案来连接表之间的数据，以便像我们最优秀的分析师那样进行情境化思考。”

该解决方案源于一种创新方法，该方法将知识建模与语言模型的生成能力相结合。源实体的底层元信息被转换为语义知识图谱，为语言模型提供上下文，从而从自然语言中生成结构化查询。

通过与德勤和亚马逊网络服务（AWS）合作，该公司构建了一个自然语言查询解决方案——一个将彻底改变公司使用其企业数据的方式的平台，不仅用于洞察发现，还用于获得有意义、可操作的数据洞察。

从数周到数分钟：科技媒体公司如何重塑数据访问

该公司在 AI 分析方面的早期尝试暴露了局限性。向量数据库可以在文档中找到相似的文本，但却错过了实体之间关键的领域和语义关系。当被问及游戏在假日销售的表现时，这些系统会检索关于“假日”和“销售”的片段，但却不理解定价策略、竞争对手发布和市场条件是如何相互关联的。

“向量方法给了我们拼图的碎片，但无法将它们组合起来，”高级解决方案架构师解释道。“我们会得到准确但不完整的答案。一位高管询问游戏在黑色星期五的表现时，可能会收到原始销售数据，但却会错过关于我们的促销时机与竞争对手发布相比的关键背景信息。”

简单的聊天机器人则带来了另一个问题。虽然它们能生成关于业务表现的类人响应，但它们无法证明信息的来源。

“我们的高管不会将数百万美元押在一个他们无法信任的 AI 响应上，”高级解决方案架构师说。“我们需要每个洞察都能追溯到源数据。当我们的系统声称某个促销带来了特定的结果时，我们必须验证这个推理链。”

公司没有将业务数据视为数据库中的行和列，而是将其解决方案设想为侦探的证据板，其中每条信息都通过有意义且可解释的关系连接在一起。 

“大多数公司将数据存储在独立的表中，”德勤咨询有限责任公司 AI 和数据工程专家负责人 Rajib Deb 解释道。“我们反而将公司的业务设想为相互关联的概念——游戏连接到促销活动，促销活动连接到市场事件，市场事件连接到收入。这种基于图的相互关联概念方法模仿了人类理解世界模型进行推理和逻辑理解以响应查询的能力。在这种情况下，图演变为知识图谱，捕获了游戏分析世界的模型，我们希望 LLM 驱动的代理能够基于此模型响应用户查询。”

该项目需要专业的知识。德勤带来了企业 AI 经验和知识建模。AWS 通过 Amazon Bedrock 提供了基础模型。Neo4j 提供了图技术，以大规模映射业务关系。

科技媒体公司和德勤选择图数据库平台的过程是严谨的。团队评估了多种选项，包括需要复杂连接的传统关系型数据库、文档数据库以及其他图解决方案。

“我们需要三个关键能力，”高级解决方案架构师解释道。“首先，能够在不损害性能的连接操作下建模复杂的业务关系。其次，原生支持结构化和非结构化数据。第三，随着我们的知识图谱增长而扩展的能力。”

Neo4j 成为明确选择有以下几个原因：

• 原生图处理能力，用于处理复杂的关联查询，否则在传统数据库中需要数十次连接
• 内置图数据科学能力，用于未来的分析扩展
• 通过 AWS 上的 Neo4j AuraDB 实现企业级可伸缩性
• 与包括 Amazon Bedrock 在内的 AWS 服务紧密集成
• 丰富的开发者工具和社区支持

“最终选择 Neo4j 是因为它在企业领域的成熟度，以及发展为知识图谱以开发与当前用例对齐的世界模型的潜力，”德勤的 Rajib Deb 指出。“其他解决方案可以存储图数据，但 Neo4j 在关键任务部署方面拥有二十年的经验，这让公司相信我们的自然语言查询解决方案能够扩展。”

GraphRAG 是一类检索增强生成（RAG）模式，它使用知识图谱来检索信息并将其作为事实发送给基础模型，以提炼自然语言响应和推理。GraphRAG 结合了两个基本组件的优势：知识图谱，以及基础模型和 LLM（生成式 AI）。 

德勤的第一步是构建一个知识图谱，以映射公司现有知识存储中的元信息。

“构建知识图谱不像设计标准数据库那样简单，”Deb 解释道。“我们首先必须映射公司的整个业务领域。然后我们设计了一个由专业 AI 代理组成的系统，这些代理可以智能地遍历这些关系。”

该公司的自然语言查询解决方案利用语义记忆帮助其 AI 代理从每次交互中学习。这意味着每次查询都会存储更多关于公司的知识，同时始终基于可验证的数据关系。该系统通过智能查询公司在 Snowflake 中的企业数据来工作。当用户用自然语言提问时，该解决方案利用 Neo4j 图数据库中的知识图谱层来理解所需数据，然后生成精确的 SQL 查询，从 Snowflake 中提取相关信息。 

“我们的数据分析师过去常常花费数小时在多个 Snowflake 表中编写复杂的 SQL 查询，”高级解决方案架构师说。“现在，我们的自然语言查询解决方案通过其知识图谱即时识别正确的表和关系，使我们的 Snowflake 数据能够立即供业务用户访问。”

如今，当一位高管询问某款游戏在感恩节的表现时，自然语言查询解决方案能够提取的远不止销售数据：它会遍历知识图谱，以了解促销时机、竞争对手发布以及历史模式。然后，系统会生成一个响应，不仅解释发生了什么，还解释了为什么发生。工作原理如下：

1. 用户向基于 LLM 的代理提问
2. 代理从 Neo4j 知识图谱中检索信息，以了解需要哪些信息以及如何检索信息来回答用户问题
3. 代理从知识图谱中检索所需信息，进行分析，找到关联性，并构建最终响应
4. 代理与用户分享响应，并等待更多后续问题s

“这就像一个专家团队协同工作，”AWS 高级合作伙伴解决方案架构师 Kasi Muthu 分享道。“一位专家理解问题，另一位知道在哪里找到相关数据，还有一位解释调查结果。Amazon Bedrock 使这一切成为可能。”

这种架构解决了三个关键挑战：

准确性：通过实现一种反射模式，由审阅者在语法和功能上验证 SQL，从而提高了准确性。Claude Sonnet (AWS Bedrock) 在 SQL 生成方面比他们使用的其他模型提供了更好的准确性。

可解释性：通过遍历图谱中存储的丰富语义信息，每个响应都可以追溯到其是如何生成的

上下文：系统理解领域关系，不仅能够提供事实，还能提供额外洞察

以游戏的速度转变决策制定

该公司图增强型 AI 平台的影响远不止更快的查询。以前业务领导者需要等待数周才能获得分析结果，现在他们可以进行实时数据探索。“一位高管最近在几秒钟内发现了原本需要分析师两周时间才能完成的事情，”科技媒体公司的高级解决方案架构师指出。“但速度并不是真正的胜利——有了 Neo4j，我们对答案充满信心。”

这种信心源于解决方案独特的架构。每个洞察都可以通过知识图谱追溯到其源数据。在做出关于产品发布或促销时机的决策时——这关系到数百万美元的收入——这种验证能力被证明是无价的。

这些数字讲述了一个引人入胜的故事：

• 过去需要 2-3 周的分析任务，现在在几秒钟内完成
• 该平台服务于公司内部 150 名用户，从数据分析师到特许经营高管
• 用户可以信任与源数据直接关联的 AI 生成的洞察

但更重要的也许是文化影响。“我们看到我们的组织在数据处理方式上发生了根本性转变，”科技媒体公司的高级解决方案架构师解释道。“以前从不编写 SQL 的人现在正在与我们的企业数据进行复杂的对话。”

这一成功促使了雄心勃勃的扩展计划。科技媒体公司打算将自然语言查询解决方案从一个销售分析工具发展为一个全面的知识平台。未来的功能将包括游戏开发数据中的自动化模式发现、玩家行为分析的整合以及实时市场响应分析。

“这不仅仅是为了让 AI 更快——更是为了让它足够值得信赖，以支持数十亿美元的决策，”AWS 的 Kasi Muthu 说。“知识图谱和基础模型的结合为企业 AI 开启了新的可能性。”

对于德勤和 AWS 而言，科技媒体公司的实施是值得信赖的企业 AI 的蓝图。“我们才刚刚开始理解这些可能性，”科技媒体公司的高级解决方案架构师总结道。“真正的力量在于将人类专业知识与真正理解我们业务上下文的 AI 相结合。”对于一个以游戏速度发展的行业来说，这种理解可能会带来天壤之别。

联系我们

好奇您可以通过图驱动的解决方案为您的业务解锁哪些洞察？ 联系我们，我们会与您取得联系。