用 ChatGPT Work 讓分析以你的 semantic layer 為依據

🧑‍🏫 這支影片在處理一個很實際的問題：讓 ChatGPT 幫忙查公司資料時，怎麼確定它查的是對的表、用的是對的算法。影片的解法是把公司內部的資料定義整理成 semantic layer，也就是一份寫清楚『各種數字怎麼算、資料怎麼分類』的說明，讓 AI 照著查。常被問『AI 算出來的數字能不能信』的人，很值得看。

• 00:03 講者說，許多人會問：怎麼能信任 ChatGPT 找到並查詢正確的資料？
  ↳ AI 不會自己知道公司裡哪份資料才是對的。它答錯時，你也未必看得出來，所以大家最先卡住的就是「能不能信」。
• 00:03 即使是簡單的資料問題，背後也可能是很複雜的查詢或指標定義。
  ↳ 像「上個月營收多少」看起來只是一句話，但算不算退款、哪些訂單要計入，都有講究。這套算法叫指標定義（metric definitions），每家公司都不一樣。
• 00:03 這些知識可能分散在不同工具和不同人之間。agent 取得不到這些知識，就無法做出正確判斷。
  ↳ agent 是實際替你查資料、做判斷的 AI。這些算法常散落在文件、試算表或某位同事的腦袋裡，它拿不到，就只能用猜的。
• 00:03 關鍵在於把這些知識提供給 agent。
  ↳ 問題出在它缺資訊，不是它不會算。所以解法就是把公司內部的這些「行規」明確交給它。
• 00:03 透過 data plugin，可以把既有的知識轉成一個共享的 skill。
  ↳ data plugin 是一種擴充工具，能把你們已經有的定義整理成 skill。skill 是一份 AI 讀得懂、全公司都能共用的說明包，不用每次重講。
• 00:33 semantic layer 包含關鍵實體（key entities）、關鍵指標（key metrics），以及各種標準篩選條件（filters）或維度（dimensions）。
  ↳ key entities 是公司常談的對象，例如客戶、訂單；key metrics 是要算的數字；filters 是篩選條件；dimensions 是切分角度，例如依地區、依月份來看。
• 00:33 semantic layer 也可以包含一些特定資訊，例如開放式問題或可能的陷阱（pitfalls）。
  ↳ 除了定義，也可以寫下還沒定案的問題，以及 pitfalls（容易踩的坑）。例如「某個欄位名稱看起來像 A，其實是 B」，提醒 AI 不要掉進去。
• 00:33 應由資料團隊中熟悉這些資訊的人審閱並修正內容。
  ↳ 整理出來的內容不一定完全正確，要請真正懂這些數字的資料團隊成員逐條看過、修正，才能拿來用。
• 00:33 確認內容沒問題後，可以打包成 plugin，推行到整間公司使用。
  ↳ plugin 在這裡是指可以安裝使用的擴充套件。內容審好後打包出去，全公司用 ChatGPT 查資料時都套同一套定義，大家拿到的數字才會一致。
• 00:33 如果範圍定義得相對清楚，就很適合拿來測試這個 skill。
  ↳ 建議先挑範圍清楚的題目來試，例如只針對某個部門的銷售數據。範圍小，比較容易看出 AI 答得對不對。
• 01:03 如果團隊已經投入建置 semantic layer，無論是做成 skill，或已存在於 Snowflake Cortex 或 Databricks Genie，都可以直接加入，不必重新建置。
  ↳ Snowflake、Databricks 是企業常用的資料平台，Cortex 和 Genie 是它們各自的 AI 功能。如果定義已經在這些地方建好，直接接上就行，不用重做。
• 01:03 它可以直接從你現有的東西學習。
  ↳ 它會讀你們既有的定義和設定來學習，不是從零開始，所以之前花的功夫不會白費。
• 01:03 要做得真正好，需要專注的投入，也需要一個專責團隊持續投資。
  ↳ 這不是設定一次就好的事。指標會改、業務也會變，要有專人負責維護更新，品質才撐得住。
• 01:03 組織必須真心相信這件事很重要。講者表示可以證實確實如此，但這件事真的需要持續關注。
  ↳ 如果公司只把它當成順手做的小專案，很快就會荒廢。講者說他能證實這件事確實重要，但一定要一直有人盯著。
• 01:33 講者預告這個領域之後還會有另一項產品發表，請大家拭目以待。
  ↳ 講者預告這個領域之後還會有新產品發表，但影片沒說是什麼，目前只能先等消息。

根據影片，semantic layer 整理好之後，應該由誰來審閱並修正？