导读：

无疑，当前在生成式人工智能（GenAI）领域中受益最大的是那些早先采用预测式人工智能（Predictive AI）的组织。2023年6月，麦肯锡发布了一份报告《生成式人工智能的经济潜力》，报告得出相同结论。

核心要点：

1. 企业文化与AI探索 - 决定组织是否敢于尝试和探索AI的关键因素之一是其内部文化。
2. 技能与依赖 - 相较于预测式AI，生成式AI更多依赖于开发者而非数据科学家。
3. 数据质量与可用性 - 准确、精选的数据对于GenAI模型的性能至关重要。

尽管如此，并非只有具备预测式AI经验的团队才能从GenAI中获益。分析MongoDB“构建AI案例研究系列”显示，处于不同AI成熟度阶段的组织均能通过MongoDB进行AI创新。

具体案例：

• MyGamePlan - 助力职业足球运动员与教练提升球队表现。
• Ferret.ai - 通过AI与MongoDB Atlas生成智能，构建信任，降低成本达30%。

MyGamePlan： 以AI驱动洞察提升职业足球表现

MyGamePlan，一家专注于协助职业足球俱乐部和球员改进表现的平台，通过集成多元数据，利用AI技术及用户友好的界面，实现了赛事、球员跟踪与视频资源数据的无缝整合。其核心在于基于Python的自定义预测模型，这些模型部署在Amazon Sagemaker上，能够实时分析比赛情况，量化球员表现与贡献，以及与对手球员进行对比，辅助制定战术决策。

MyGamePlan平台依赖MongoDB Atlas存储关键数据，包括比赛元数据、事件数据与跟踪遥测数据，这些数据通过MongoDB迁移到Python DataFrames，与第三方数据流协同训练ML模型。此外，从特定比赛序列生成的推论也被存储回MongoDB Atlas，以供教练和球员进行后续分析。

Ferret.ai： AI与实时数据构建关系智能

Ferret.ai 是一个旨在消除疑虑、促进信任建立的AI平台，它利用公开数据源和AI技术为公司和个人提供实时、公正的情报。Ferret.ai 通过Kafka管道接收数据，使用spaCy进行自然语言处理，并将所有元数据与模型推断存储在MongoDB Atlas中。用户可通过网页、移动应用或即将推出的API访问Atlas中的数据。

Ferret.ai 的开发者正探索在平台上使用生成式AI，以进一步优化用户体验。通过与英伟达合作，团队能够综合数据来源和分析，提供更深入的联系人理解与关系建设支持。此外，Ferret.ai 还利用MongoDB Atlas Triggers实时监控评分更新，向消费应用发送警报，确保用户能够实时掌握关系动态。

综上所述，无论企业处于AI发展阶段的何种阶段，MongoDB 均能提供所需支持。MyGamePlan 和 Ferret.ai 的成功案例展示了MongoDB在AI应用中的灵活性与价值，证明了其作为开发者数据平台的可靠性和适应性。