Ogni azienda che esplora l’AI incontra lo stesso ostacolo: ha dati ricchi e strutturati nel warehouse (record CRM, ticket di supporto, feedback sui prodotti), ma per usarli con gli LLM o i sistemi di retrieval quei dati vanno trasformati in embedding vettoriali. Di solito questo significa scrivere script, gestire batch job e tenere manualmente aggiornato un vector database. Fivetran affronta il problema aggiungendo due capacità alle sue Activations: le Embedding Columns, per generare embedding direttamente nei dataset con i modelli di OpenAI o Gemini, e nuove connessioni verso i vector store Pinecone e turbopuffer.
Un esempio: ricerca intelligente sui ticket
Il flusso mostrato è concreto. Il team di supporto lavora in Zendesk o Intercom, il team di analytics porta quei dati in Snowflake con Fivetran e li rimodella con le Activations. A questo punto, nel dataset dei ticket si aggiunge una Embedding Column dal menu Enrich & Enhance, che converte il testo del ticket in un vettore OpenAI. Ogni ticket ottiene così una rappresentazione numerica del suo significato: ticket simili finiscono vicini nello spazio vettoriale anche se formulati diversamente. “SSO login keeps failing” e “can’t sign in with Okta” descrivono lo stesso problema, e con gli embedding l’AI lo riconosce.
Il dataset arricchito, embedding inclusi, viene poi sincronizzato verso turbopuffer o Pinecone con le nuove connessioni. Non servono script ETL separati né batch job: le Activations tengono i vettori aggiornati ogni volta che i dati dei ticket cambiano. Su questa base gli sviluppatori possono costruire un assistente interno o uno strumento di ricerca che interroga il vector store per trovare ticket semanticamente simili, mostrando problemi storici correlati, le risoluzioni che li hanno chiusi e l’agente che li ha gestiti meglio. È l’inizio di un supporto retrieval-augmented alimentato dal warehouse.
Perché conta
Il vantaggio principale è avvicinare i workflow AI a dove i dati già vivono. La freschezza è garantita perché gli embedding restano allineati agli aggiornamenti; la flessibilità sta nella scelta del modello di embedding e della destinazione; e soprattutto la governance non cambia, perché tutto passa dagli stessi data contract e dalla stessa lineage già in uso. Oltre al supporto, lo stesso pattern abilita casi come l’intelligence sul CRM (identificare account o lead simili dalle note), la ricerca semantica sulla knowledge base interna e l’analisi dei feedback raggruppati per significato.
- Le Embedding Columns si creano come una colonna calcolata, usando modelli OpenAI o Gemini, senza infrastruttura aggiuntiva.
- Le connessioni native verso Pinecone e turbopuffer sincronizzano i vettori e li mantengono aggiornati automaticamente.
- Tutto resta dentro i data contract e la lineage esistenti, quindi la governance non va ricostruita per l’AI.
Fonte: From warehouse to AI-powered insights in minutes — https://www.fivetran.com/blog/from-warehouse-to-ai-powered-insights-in-minutes
Hai qualcosa da aggiungere? Unisciti alla discussione.