Snowflake AI+ 数据 2025 年十大预测（上） | 技术趋势

编者按：

AI 技术与企业级应用是未来几年全球关注的重点方向，而数据的下一次演变核心，正是为 AI 的深度应用做好准备。基于这一前沿视角，我们整理了《Snowflake AI + 数据 2025 年十大预测》，本文为上半部分，聚焦智能客户服务、广告 &媒体与娱乐、医疗与生命科学、零售、通信五大领域，展现 AI 与数据在各场景中的应用实践及未来趋势，为读者把握行业动态提供参考。

Snowflake 领导层就未来几年里人工智能、开源和网络安全的发展方向 —— 以及领导者需要具备的基本能力，分享了他们的看法。

每到年底，大家总会自然地想：新的一年会有什么变化？虽说未来不好预测这话听起来很平淡，但我们至少能为大概率发生的事做准备，也能随时应对突发情况。

在企业技术领域，最确定的趋势和最让人意外的突破，其实都来自同一个领域：飞速发展的人工智能领域因此，当我们展望 2025 年及以后时，重点关注人工智能的发展与应用至关重要。

我与 Snowflake 的十几位专家和领导人一起完成了这项工作，今天我们公布了结果：《Snowflake 数据 + 人工智能预测 2024》报告。除了人工智能的发展问题，我们还探讨了网络安全、开源软件等领域的方向性趋势与迫切需求，但很自然地，我们的许多讨论都聚焦于人工智能，以及这一发展迅速、变化不定的技术领域可能如何继续给世界带来惊喜。

2025 年，许多企业将从对 LLMs 和生成式人工智能的实验阶段，迈向将其投入实际运营的阶段，这一过程将带来独特的挑战。在我看来，以下是我们关于人工智能（尤其是其对企业的影响）的讨论中得出的核心观点。

人工智能可观测性是将人工智能投入运营的关键要素，各平台将推出解决方案。当你运行一个大语言模型时，你需要通过可观测性了解模型在吸收新数据时可能发生的变化。同时，清晰掌握成本与性能情况也很重要。为了满足这一需求，人工智能可观测性解决方案应运而生，但长远来看，像 Snowflake 这样的大型数据平台，大概率会是提供这类解决方案的主力。

幻觉问题会拖慢面向客户的人工智能的落地速度。虽然模型一直在升级，而且用检索增强生成这类技术能减少幻觉和错误，还能加一些防护措施来保护敏感数据、守住企业的品牌语气和风格，但企业仍会对向客户推出可能存在偏见或提供不准确响应的技术持犹豫态度。因此，面向内部的人工智能将继续成为未来几年的重点。

数据的下一次演变是使其为人工智能做好准备。多年来，数字化转型的一个核心原则是实现数据的可访问性，打破数据孤岛，以便企业能从其所有数据中挖掘价值。当然，这一点依然重要，但下一步将是确保企业的统一数据为人工智能做好准备，能够接入现有的智能体与应用程序。

数据集中管理的趋势会越来越明显，目的就是保证数据质量高、准头足、管理到位。除了在数据仓库中处理结构良好的数据外，现代人工智能系统还可以使用深度学习和自然语言处理来有效地处理数据湖和湖库中的非结构化和半结构化数据。总体而言，数据必须便于人工智能系统访问，同时具备清晰的元数据管理，并注重数据的相关性与时效性。数据战略必须不断演变，以确保人工智能计划与业务目标保持一致，并有效地在组织中灌输数据驱动的文化。

未来会出现自主智能体、文档自动解析，而且 AI 自己也会成为杀手级应用。我们的报告里提到，LLM 和生成式 AI 以后会深深融入生活和工作，以至于思考 “AI 的杀手级应用”，就如同思考 “电力的杀手级应用” 一样但如果要寻找短期内的热门方向，那将是面向内部的应用场景，这些场景能让员工从海量非结构化数据中提取洞见。Snowflake 最近帮一个客户处理了大约 70 万页的研究资料，并通过对话式聊天机器人使其易于使用，帮分析师挖出了之前有数据但找不到的洞察。在未来一段时间内，这仍将是生成式人工智能的主要应用场景之一。

但在未来几年，我们与人工智能协作方式的颠覆性突破将来自自主智能体。独立智能体不会局限于回答特定问题，而是会根据人类用户的宏观指令采取行动。“制定并启动一项营销活动，以吸引这一核心客户群体” 这一指令，可被自动拆解为多个子任务，如设计符合品牌风格的文案图片、购买广告以触达目标受众，以及根据初始效果进行优化等。

领导力是应对人工智能倦怠的解药。人工智能的发展速度如此之快，两周前还让团队全力以赴投入的项目，明天就可能完全过时。这时候是接着推进，还是推倒重来？要是后者，下周再过时怎么办？过去一年里，我认识的所有搞 AI 的人，都聊过倦怠的事。要让团队一直保持高效、有创造力，领导得站出来。我们必须着眼于目标和投资回报率，别老被新鲜技术吸引。搞 AI 项目不是为了 “追最新”“比最好”，而是要像做其他业务决策、其他投资一样，看怎么用资源、出效果才最划算。

上面说的只是报告里的一部分内容。在社会层面，我们探讨了行业防护机制与监管监督的相互作用；我们的网络安全专家解决了人工智能既能增强攻击者的能力，又能提供对抗攻击者的新方法。我们着眼于开源技术的发展，这些技术将使组织能够改进其数据战略。同时，我们还讨论了领导者如何跟上有时令人不安的变革步伐。欲了解完整内容，请查阅《Snowflake 数据 +人工智能预测 2025》

一、2025 人工智能客户分析技术：企业新一代竞争优势

新一代客户分析技术已正式落地。当前，伴随着客户获取成本的不断上升，竞争不断加剧，企业正借助人工智能，从现有客户数据中挖掘潜在机遇以减少客户流失或增加营收。你的公司每个月都会产生数百到数千个客户接触点：支持电话、产品交互、调研反馈及服务工单 —— 这些信息共同勾勒出贵公司与客户之间的关系图谱。当前的挑战不在于新数据的发现，而在于解锁企业内部每日流转的海量数据所蕴含的智能价值。 

每一次客户互动都包含着客户满意度、新兴趋势及拓展机遇的信号，但要整合这些信号以提炼出真正有价值的洞见，却并非易事。现代客户的业务旅程往往跨越多个渠道、平台和接触点，形成了一张张复杂的交互网络，而传统分析架构则难以实时捕捉并分析。在此之前，实现规模化的客户洞察，往往需要专业的数据科学技能、复杂的工具支持以及漫长的开发周期。 

而人工智能带来的机遇，在于推动客户成功团队从 “被动解决问题” 转向 “主动采取行动”。最终效果？团队的重心从复杂系统的搭建转变到客户关系的建立之上。 

TS Imagine 通过自动化处理人工邮件，并依据紧急程度与复杂程度对工单进行分类，不仅优化了客户支持流程，还实现了每年节省 4000 工时、人工智能成本降低 30% 的成效。

“有了 Snowflake，我可以让......人们在同一个平台把人工智能利用起来。Snowflake Cortex AI 是一站式服务。”——托马斯·博登斯基 TS Imagine 首席运营官兼首席数据分析官

从滞后追随到领先差异化

对于大多数企业来说，开展某种形式的客户分析与情感分析早已不是新鲜概念。然而，如今真正的差异化优势，体现在团队获取信息的速度与灵活性上，团队是否能够针对客户流失加剧、新细分市场出现意外销售高峰等情况，迅速采取行动。而这种速度很大程度上取决于团队能否快速实现大规模非结构化数据的转化。  

对大多数企业而言，要理解客户反馈都需要经历一套复杂流程，从整合迥异分散的数据源，到使用不同的人工智能工具来转录音频文件、分析情绪和生成摘要，之后才能提炼出有价值的洞见。而现在，你只需几行代码就能简化这一过程。最好的部分在于？仅需几天时间，就能打造出可投入生产环境的解决方案。 

新一代客户洞察

我们以通话后分析为例 —— 这是客户智能领域的一个常见应用案例，可将录制的客户对话转化为关于客户需求与投诉的商业情报。 

步骤 1：高效实现大规模通话转录

任何通话后分析流程的起点，都是将音频高质量地转化为可分析文本，尤其是在处理海量音频时。为了让大家更好地理解背景，某企业客户的支持业务每周会接入超过 10 万通来电，每通电话平均时长 30 分钟，这些通话录音通常存储在存储对象中，例如亚马逊 S3、微软 Azure Blob 存储或谷歌存储服务。也就是说，每周你需要轻松且高效地处理总计 300 万分钟的内容，之后才能开展其他后续分析工作。

为实现规模化处理这一需求，我们开发了 AI_TRANSCRIBE（公开预览），一款基于 SQL 原生开发的语音转文本人工智能算子，可对时长长达 2 小时的音频文件进行高质量转录，同时支持自动识别说话人与单词级别时间码功能。AISQL AI_TRANSCRIBE 不仅易于使用，其转录质量还可与亚马逊 AWS 转录服务等主流商业系统媲美，且延迟表现更优。  

这款全托管式人工智能算子可直接处理存储在存储对象中的文件，无需迁移数据，也无需管理基础设施 —— 只需指向你的音频文件，通过 SQL 即可获取结构化、可直接用于分析的文本。

 英国最大的旅游运营商之一，如今每天能够分析超过 2000 通客户通话来识别客户意图。

“如果没有 Cortex AI，我们根本不可能走大语言模型（LLM）这条路 —— 要是没有它，成本早就超过盈利了。”——马克·阿特金森 Jet2 数据科学主管

步骤 2：让客户分析质量达到行业顶尖水平

把客户通话转成文字后，光知道客户说什么还不够，下一步是得弄明白他们情绪怎么样、以及从数千通对话中浮现的规律模式。借助 Cortex AISQL，你可以轻松搭建人工智能转换流水线，从而实现高质量的情感分析、对不同来电进行翻译与分类，并总结核心主题。  

为了帮助了解客户情绪与满意度水平，我们开发了 AI_SENTIMENT（已正式发布）。AI_SENTIMENT 是一款基于 AISQL 构建的特定任务算子，专为实现 “顶尖水平的整体情感分析” 与 “精细化的基于维度的情感分析” 而设计，可处理不同语言的多样化内容。它非常适合服务于客户横跨多个市场的全球性企业。AI_SENTIMENT 还专门针对英语、法语、德语、印地语、意大利语和葡萄牙语做了精化，能准确保留这些语言里的语境和细微意思。要是用普通翻译，这些关键信息很可能就没了。 

* 在综合评估数据集上，针对 “整体情感分析” 与 “基于维度的情感分析（ABSA）” 任务的模型准确率对比。本测试基准涵盖多个数据集，包括 SemEval-2014 任务 4 数据集（涉及笔记本电脑与餐饮领域）、MAMS 数据集、SENTFIN 数据集及 FABSA 数据集。本次任务是识别句子中提及的特定维度或实体对应的情感倾向。我们比较了 Mistral-large、Claude 4 Sonnet、GPT-4.1、Mistral Large 2、AWS Overall Sentiment 与 DetectSentiment 和 Snowflake 的 AI_SENTIMENT 的性能。

除了简单的正面或负面情感分类以外，AI_SENTIMENT 还能提供精细化的基于维度的情感分析，可以揭示客户对企业产品或服务特定维度的情感感受。例如，一份通话转录文本可能显示客户对 “产品质量” 的情感倾向呈混合状态，同时对 “定价” 或 “支持响应时间” 表现出负面情感；据此，企业可以实现精确、有针对性的干预。 

为简化 “翻译、分类通话问题及总结数千份转录对话核心主题” 的流程，我们开发了一套具备可扩展性的 AISQL 算子套件，包括 AI Translate（已正式发布）、AI_CLASSIFY（公开预览）及 AI_AGG（公开预览）。 

许多企业在开展后续分析前，会首先借助 Cortex AI Translate 对转录文本进行本地化处理，将对话内容转换为企业的主要业务语言。随后，他们会使用AI_CLASSIFY自动对通话进行自动分类，以便将其分配给对应的产品团队，或标记问题升级级别。例如，你可将通话归类为

[‘billing_issue’、‘product_bug’、‘feature_request’ 或 ‘escalation’] 等类别。 

最后， AI_AGG可以像 SQL 聚合函数一样，从数千份已分类的通话转录文本中整合洞见与核心主题。例如，借助 AI_AGG，企业可轻松实现 “按严重程度总结主要账单问题” 或 “按通话类别识别问题升级主题” 等需求。不管是定位问题根源、按产品领域提取主要功能需求，还是明确客户满意度的驱动因素，都可通过 AI_SENTIMENT 开展更细致的分析；而 AI_AGG 则助力将通话转录文本转化为可落地的商业智能。 

RAC 已成功将通话处理时长缩短 30%，并将洞见获取周期从数月缩短至 2 到 3 天。

“Cortex AI 的方式 ——不光是处理数据，还能把相对抽象、复杂的记录转化为单行摘要 —— 这对我们的客服人员来说是极大的优势。而且，作为标准 SQL 查询流程的一部分，操作起来非常简单：我们无需将其与其他计算引擎或其他云服务提供商对接，也不用进行大量集成工作。这大大降低了人工智能（AI）的使用门槛。”——埃利奥特・克拉什 RAC 工程总监

客户分析的复合效益

随着洞见在各团队间流转，优化客户分析会产生 “复合效应”—— 这不仅能提高客户留存率与营收增长，还能生成更多数据，进而支撑更深度的洞见挖掘。 

• 产品：识别功能缺口，根据实际用户痛点确定开发路线图的优先级，并在问题影响更多客户的满意度和留存率之前主动采取解决措施。

• 营销：了解最能引起客户共鸣的内容，根据真实用户语言和痛点优化文案，制定针对性营销活动，既解决客户的特定顾虑，又突出产品的成功使用体验。

• 销售：挖掘追加销售机会，提前预判客户可能提出的异议，并基于真实的客户成功模式和已经解决的痛点为潜在客户提供相关的案例研究和解决方案。

• 数据科学团队：构建更精准的客户流失与营收增长预测模型，发现客户全生命周期内行为中的隐藏规律，开发出靠数据说话的功能，直接帮公司抓住最有价值的客户机会。

让洞见到行动更快，触达客户价值

在 Snowflake 上构建客户分析体系，从根本上改变了企业团队的时间分配方式，并直接影响企业利润通过加快原始数据到可落地洞见的转化流程，企业不仅能从滞后响应转向主动干预，还能构建更精准的预测模型，并优化运营流程。这些举措对营收增长与客户满意度均能产生可量化的影响。这种转变将使您的客户团队能够从被动的问题解决者转变为战略收入驱动者，将不满的客户转变为忠诚的拥护者，同时确保您的技术投资带来切实的回报。今天，主动拥抱这一变革的企业，将建立起能推动未来增长的客户关系，在日益拥挤的市场中打造可持续的竞争优势。

归根结底，手动整合洞见所花费的时间越少，企业就能将更多时间投入到对业务真正重要的事情上：维护客户关系、挖掘机遇，以及基于真实的客户智能做出明智决策。Snowflake 的 Cortex AI 平台降低了数据团队与技术团队的使用门槛，它简化了“基于 AI 的数据转化” 流程，可处理多种数据类型、数据格式不一致、数据质量问题，以及不断变化的隐私合规要求。 

二、广告、媒体与娱乐行业领军者 2025 必备指南

人工智能技术正确立其不可撼动的行业地位。2023 年见证了技术的惊艳亮相，2024 年进入大规模实验阶段，而至 2025 年，广告、媒体与娱乐产业将全面深化人工智能技术应用。这一进程充满复杂性：当 AI 概念验证项目逐步从沙盒环境过渡至生产部署阶段之际，部分曾力捧 AI 的领军者却开始显露出审慎态度。

面对如此态势，如何精准布局是我以及 Snowflake 首席执行官 Sridhar Ramaswamy、Snowflake 杰出人工智能工程师 Yuxiong Xe 等高管及其他 Snowflake 行业专家重点思考的议题，他们在《Snowflake 2025 年 AI 与数据预测报告》中给出了深度洞察。从 AI 技术运营化实践到领导者能力模型重构，我们预判了 AI 加速发展下的未来图景（同时也警示企业：若未能建立坚实的数据战略基础，将面临被时代淘汰的风险）。

广告、媒体与娱乐企业本就具备数据驱动基因，这一特质使其在探索并接纳生成式 AI 等前沿技术时更具先天优势。

作为 Snowflake 的全球媒体、娱乐与广告业务负责人，我认为我们本就属于高度实验性的行业。广告、媒体和娱乐领域往往率先拥抱技术创新。然而，尽管该行业面临的监管审查严格程度或许不及金融服务业或医疗健康领域，但其创作特性会导致知识产权问题更频繁地出现。

预测：人工智能（AI）将使广告主的预算实现更高效益，因为中间环节将大幅减少。

AI 工具的主要优势在于提升信息触达消费者的全流程效率。当前，在广告投放至最终触达用户的过程中，近半数营销预算会被中间环节消耗。AI 通过提升预算利用率，将为广告主创造显著价值。

具体而言：在广告主每投入 1 美元中，约 60 美分用于跨渠道营销内容的实际分发与优化，剩余 40 美分则消耗在卖方与买方之间的生态环节。随着广告技术（AdTech）与营销技术（MarTech）的持续融合——这种融合通过消除冗余环节缩短价值链——广告预算在触达消费者前的损耗将逐步降低。AI 正是在此过程中发挥关键作用，通过流程优化提升营销投资回报率（ROI）。

从日益严格的消费者隐私法规到 AI 技术的前沿应用，营销生态将迎来全面变革。欢迎参加由 Snowflake 英国及 EMEA 地区媒体与娱乐行业首席顾问 David Fisher、Snowflake 广告与营销技术行业首席顾问 David Wells，以及 Snowflake 代理商与广告主行业首席顾问 Erin Foxworthy 共同主持的《2025 年广告、媒体与娱乐行业 AI+数据预测》活动。我们将探讨融合趋势如何重塑生态格局、数据隐私的演进视角以及未来战略规划。

若无法现场参与，请阅读完整报告获取更多 2025 年广告、媒体与娱乐行业预测、六位行业领袖的深度洞察，以及 Snowflake 人工智能负责人 Baris Gultekin 和首席信息安全官 Brad Jones 等领导者的宏观数据与 AI 趋势分析。

三、医疗与生命科学领导者在 2025 年需要了解的关键内容

AI 正在证明它已成为不可忽视的存在。2023 年带来了惊喜，2024 年见证了广泛的试验，而 2025 年将是医疗与生命科学领域真正认真对待 AI 应用的一年。但情况并不简单：AI 的概念验证正从沙箱环境走向生产环境，而与此同时，一些最热衷于 AI 的支持者也开始变得有些谨慎。

如何在这样的环境中导航，是我以及高管层关注的重点，包括 Snowflake CEO Sridhar Ramaswamy、Snowflake 杰出 AI 工程师 Yuxiong Xe 以及其他 Snowflake 行业专家，他们在《Snowflake AI + 数据预测 2025》报告中提供了意见。从将 AI 落地应用到重塑领导力技能，我们预测了一个 AI 加速的未来可能的样貌以及如果组织未能建立扎实的数据基础策略，将可能错失其中的机会。

医疗与生命科学行业以结果为导向的心态应对生成式 AI 热潮。尽管整个行业正在积极采用 AI——制药企业和研究机构频频登上头条，例如‘AI 在乳腺癌诊断与预防中取得进展’——但在患者护理方面，AI 的应用仍将循序渐进，护理团队和患者对其接受度将逐步提升。

预计医疗与生命科学（HCLS）机构将保持谨慎步伐，优先考虑基于证据的验证点和切实可见的成果。由于其高标准的护理要求、严格的监管规定，以及医生在效率、安全性和个人责任之间寻求平衡的需求，他们需要先在其他高度监管的领域看到 AI 驱动的实际成效，才会全面投入应用。

预测：医疗行业将依托现有监管框架，引导智能且负责任的 AI 推广应用。

在关于 AI 的诸多问题中，如何伦理地使用 AI 可能是最重要的一个。医疗与生命科学专业人士在决策过程中遵循一系列核心伦理原则，因此他们比大多数行业拥有更好的起点。

但如果我们利用 AI 辅助临床决策，其运作模式已有先例。为了防范医疗事故，整个法律与伦理框架已经建立完备。责任必须落实到具体个人身上，而通常，这个人就是持牌医生，他们需对护理决策承担法律责任。

因此，虽然其他行业担心人工将被 AI 完全取代，但在医疗与生命科学领域，人员始终会参与其中。我们现在新增了一项责任，即帮助确保 AI 的结果是准确可靠的。

医疗与生命科学领域现有的伦理和监管框架，将使透明性、可靠性和可解释性变得更加重要。随着 AI 技术的成熟，‘幻觉’现象总体上会变得较少，企业也会根据自身的风险容忍度选择实施的模型。在医疗与生命科学领域，显然这种风险容忍度始终会非常低。

想了解 2025 年的更多预测，请加入我们的网络研讨会，聚焦数据与 AI 对医疗与生命科学未来的影响。我们将探讨这些技术如何塑造行业，涵盖临床与运营决策、治疗研发以及患者护理等方面的变化。

如果无法参加我们的研讨会，可阅读完整报告，了解我对 2025 年医疗与生命科学的其他预测、六位行业领导者的见解，以及来自 Snowflake AI 主管 Baris Gultekin 和首席信息安全官 Brad Jones 等领导者的最新宏观数据与 AI 预测。

四、零售业领导者在 2025 年需要了解的关键内容

AI 已成为不可逆转的趋势。2023 年带来了惊喜，2024 年迎来了广泛试验，而 2025 年将成为零售业真正认真探索 AI 实际应用的一年。但情况并不简单：AI 的概念验证正从沙箱环境走向生产环境，同时主要 AI 创新者也面临新兴竞争者的挑战。在此背景下，AI 的发展速度已超越新闻周期。对于变化需要时间的零售行业来说，挑战在于：如何驾驭这项发展速度超过自身采用能力的技术？你今天所做的决策，是否能为明天的成功奠定基础？

在这一复杂环境中如何前行，是我以及 Snowflake 高管（如 CEO Sridhar Ramaswamy、杰出 AI 工程师 Yuxiong Xe）和其他参与《Snowflake AI + 数据预测 2025》报告的 Snowflake 行业专家关注的重点。

关键在于投资于长期可持续的战略，同时对快速变化保持灵活应对。这意味着要聚焦数据战略，建立稳固的数据基础，并重塑领导力技能以适应 AI 驱动的需求。在此基础上，组织可以利用支持 AI 落地的平台，同时保持灵活性，例如在 LLM 模型选择上保持可调性。我们的预测描绘了一个 AI 加速的未来，同时提醒企业，如果未能建立强有力的数据战略，将面临在未来竞争中落后的风险。

到 2025 年，零售行业的成功数据战略将需聚焦三大核心优先事项：保障内部与外部的安全协作、实现生成式 AI 的落地应用，以及加深传统机器学习与深度学习的整合。

预测：随着零售商进入生成式 AI 时代，一线生产力将成为主要关注点。

零售领导者在提升客户满意度方面，正着力于优化店内体验。其中一个关键环节是确保正确的产品在正确的时间出现在正确的位置。AI 和先进技术能够显著改变库存管理。这些工具可以解放一线零售员工，让他们将精力集中在需要人性化处理的任务上，例如与顾客互动、布置促销陈列和设计店面。

想了解我对 2025 年零售行业的其他预测以及来自六位行业领导者的洞察，以及 Snowflake AI 主管 Baris Gultekin 和首席信息安全官 Brad Jones 等领导者的宏观数据与 AI 预测，请务必阅读完整报告。

五、通信行业领导者在 2025 年需要了解的关键内容

AI 正在证明它将长期存在。2023 年带来了惊奇，2024 年迎来了广泛的实验，而 2025 年将成为电信企业真正认真探索 AI 应用的一年。但情况并不简单：AI 的概念验证正从沙箱环境走向生产环境，而一些 AI 的最大支持者也开始变得有些消沉。

如何在这样的环境中前行，是我以及 Snowflake 高层领导（如 CEO Sridhar Ramaswamy、杰出 AI 工程师 Yuxiong Xe）和其他行业专家关注的重点，他们共同参与了《Snowflake AI + 数据预测 2025》报告的撰写。从将 AI 落地应用到重塑领导力技能，我们预测了一个 AI 加速的未来可能呈现的样貌（以及如果企业未能建立起坚实的数据战略，将面临怎样的局面）。

生成式 AI 和 5G 将是 2025 年的主要优先事项。5G 网络的复杂性——包括物理基础设施、虚拟化网络功能的压力和云计算需求——代表了在网络容量和消费者可用性方面的重大突破，但同时也给服务提供商带来了巨大的维护和开发成本。

预测：AI 和地理空间数据将革新网络规划。

网络优化的数据分析一直是行业中的长期挑战。然而，原生语言模型和地理空间数据的结合将彻底改变网络规划。

以前的情况太复杂了。你试图运行数据集并得出关于非常具体的主题或问题的结论，但你可能甚至没有在评估正确的数据集。通过生成式 AI，你可以使与数据的互动变得更加简便。

现在，网络运营商可以提出具体的问题，比如：我应该在哪里部署容量，以最大化收入、正常运行时间或韧性？

地理空间数据提供了另一层洞察，使电信供应商能够全面了解不同环境下的网络性能。借助地理空间数据，供应商可以发现某个特定区域存在网络波动，并分析地形、天气状况、建筑密度以及其他影响服务质量的因素。这样，供应商能够更好地获取信息，并更有效地分配资源来解决当前的问题。

借助这两项技术，电信供应商可以创建数字双胞胎——网络基础设施的虚拟表示——为网络性能和优化机会提供前所未有的洞察。

如果想要了解更多行业的预测以及更多内容，请下载报告《Snowflake AI + 数据预测 2025》。

原文地址：

https://www.snowflake.com/en/blog/ai-data-predictions-2025/

https://www.snowflake.com/en/blog/ai-customer-analytics-competitive-advantage/

https://www.snowflake.com/en/blog/ai-ame-2025-predictions/

https://www.snowflake.com/en/blog/ai-healthcare-life-sciences-2025-predictions/

https://www.snowflake.com/en/blog/ai-retail-2025-predictions/

https://www.snowflake.com/en/blog/ai-telecommunications-2025-predictions/