使用 MongoDB 构建 AI：利用实时客户数据优化产品生命周期

在《使用 MongoDB 构建 AI》系列博文中，我们看到越来越多的企业正在利用 AI 技术优化产品研发和用户支持流程。例如，我们介绍了以下案例：

• Ventecon 的 AI 助手帮助产品经理生成和优化新产品规范

• Cognigy 的对话式 AI
  帮助企业使用任意语言，通过各种渠道为客户提供实时个性化服务

• Kovai 的 AI 助手帮助用户快速从产品文档和知识库中找到所需信息

本文将继续盘点另外三家在产品生命周期各环节推陈出新的 AI 创新企业。首先是 Zelta，借助实时客户洞察和情感分析，帮助产品团队确定需求优先级。其次是 Crewmate，专注于加强产品与活跃用户社区的互动。最后是 Ada，通过基于 AI 的自动化技术，帮助 Meta 和 Verizon 等科技巨头大幅提升了客户服务水平。

Zelta.AI：洞悉客户之声，优化产品路线

当今数字经济背景下，源源不断的客户反馈通过各种线上线下渠道涌入企业。产品经理要从海量反馈中梳理提炼关键诉求和优先事项，进而制定出企业上下一致认可的产品计划，似乎是个不可能完成的任务。这正是 Zelta.ai 成立的初衷。

Zelta 直接从 Gong、Zoom、Fireflies、Zendesk、Jira、Intercom 等平台获取通话记录、工单等最有价值的定性客户反馈数据，通过生成式 AI 加以分析，深入洞察并传达客户痛点所在。

通过使用大语言模型处理非结构化数据，Zelta 能够为产品团队提供可行的洞见

Zelta 的工程团队综合运用经过精心调整的 OpenAI GPT-4、Cohere 和 Anthropic 模型，从源数据中提取、分类并编码不同主题功能相关的趋势和情感。MongoDB Atlas 则被用作源数据的元数据及模型输出的数据存储层。

Zelta AI 联合创始人兼首席技术官 Mick Cunningham 表示：“MongoDB 带来的灵活性令人惊叹。 我们的开发团队可以不断尝试新功能，只需添加字段和优化数据模型，无需像关系型数据库那样经历费时费力的模式迁移。”

Cunningham 补充道：“我们还大量使用 MongoDB 聚合管道来实现应用程序驱动型智能。 我们无需将数据从 MongoDB 中提取出来再进行 ETL （提取、转换、加载）处理，就能直接在数据库中进行分析，为客户提供产品反馈实时仪表板和趋势报告。在加速客户做出产品决策的同时，也彰显了我们服务的价值。”

展望未来，Zelta 计划打造自己的定制模型，届时 MongoDB 积累的数据将成为用于训练监督学习模型的宝贵标注样本。作为 MongoDB AI 创新者计划 的成员，Zelta 不仅能享受 Atlas 免费使用额度和技术支持，还能在 MongoDB 社区中获得更多曝光的机会。

Crewmate：连接品牌与社区

在数字经济浪潮下，品牌方往往要投入数百万美元来扶持线上社区，吸引大量热衷于其产品和服务的活跃用户加入。然而，许多社区运营工具来自第三方，导致品牌无法直接洞察用户的真实参与情况。这正是 Crewmate 力图解决的痛点。

Crewmate 是一个用于构建嵌入式 AI 驱动社区的无代码平台。该平台提供可灵活定制的社区功能，让品牌能轻松将其部署到自己的网站。目前 Crewmate 已广泛服务于消费品 (CPG)、B2B SaaS、游戏、Web3 等各行业客户。

具体来说，Crewmate 首先爬取品牌官网，以及 CRM 系统中的公开招聘信息和客户数据，然后将爬取的数据存入运行于 Google Cloud 的 MongoDB Atlas 数据库。随后，Atlas Trigger 会调用 OpenAI 的 ada-002 嵌入模型，将向量化编码存储和索引至 Atlas Vector Search 。事件驱动的管道会在每次网站数据插入 MongoDB 数据库时触发 Atlas Trigger，时刻保持最新状态。

借助 Atlas Vector Search 的上下文感知语义搜索，用户点击和浏览品牌站点社区页面时，能自动获得相关推荐内容。推荐内容涵盖社媒帖文、论坛讨论、招聘信息、限时优惠等等。
“我在之前的项目中就用过 MongoDB，深知其灵活的文档模型可以存储任意结构的数据。 考虑到要从客户网站采集的数据类型繁多，这一点尤为重要。” Crewmate 联合创始人兼首席技术官 Raj Thaker 说道。

“Atlas Vector Search 的推出，以及构建生成式 AI 应用教程，为我提供了一个开箱即用的快速架构方案。这个方案集成了源数据存储、AI 驱动的语义向量搜索，以及实时响应数据管道，确保数据持续更新。 更关键的是，所有这些都在单一平台和单一数据源的基础上实现，同时为开发者提供了统一的 API。这不仅使我们的工程团队保持了开发效率，也进一步简化了我们的技术栈。Atlas 还支持与快速发展的 AI 生态系统集成。因此，尽管我们目前采用的是 OpenAI 模型，但将来也能轻松引入 Llama 等其他模型。”

Thaker 补充说：“Crewmate 的一大价值在于帮助品牌挖掘有意义的见解。借助功能强大且直观的 MongoDB Query API （查询 API） ，我们能够处理、聚合和分析用户参与数据，帮助品牌全面跟踪社区推广效果和转化率。品牌方可以直接从存储在 MongoDB 中的应用数据中获取这些洞见，而无需通过 ETL 处理将数据转移至单独的数据仓库或数据湖。”
与 Zelta 一样，Crewmate 也是 MongoDB AI 创新者计划 的成员。

Ada：以 MongoDB Atlas 为基础，通过 AI 驱动的自动化技术革新客户服务

成立于 2016 年的 Ada 已发展为跨渠道、跨模态智能客服自动化领域的佼佼者。企业已融资近 2 亿美元，拥有 300 多名员工，客户覆盖 Meta、Verizon、AT&T 等 300 多家企业。

Ada 的首席产品和技术官 Mike Gozzo 在 MongoDB 开发者大会上接受了采访，讨论了客服 AI 的发展趋势以及 MongoDB 在 Ada AI 技术栈中扮演的角色。Gozzo 指出，尽管客服机器人早已问世，但 transformer 模型和大语言模型的巨大进步，再加上基于人类反馈的强化学习 (RLHF)，使这些 AI 助手的能力有了质的飞跃。这些客服机器人不再局限于单纯检索信息，而是能够通过高级推理来解决客户问题。

当被问及为何选择 MongoDB Atlas 作为 Ada 所有产品的基石时，Gozzo 表示：“关键是要有灵活快速适应变化的能力。我们发现，随着企业发展、引入新渠道和新模态，MongoDB 最突出的优势在于，它提供了一个可轻松扩展的数据存储方案，而无需像其他数据库那样进行复杂的迁移，真正满足了我们的需求。我们一直坚持使用 Atlas，因为它性能出色，MongoDB 团队的支持也非常到位。此外，MongoDB 能让我们减少对单一云供应商的依赖。 ”

Gozzo 补充说：“当我们要开发新功能时，MongoDB 在数据源选择上能为我们提供充分的灵活性。 我们可以从中查询非结构化数据，然后用于训练其他模型。在我们的整个产品技术栈中，生成式 AI 的应用非常广泛，不仅可以自动处理查询，还能提供比单纯的多轮问答更进一步的支持。借助 MongoDB，新产品的上线周期可以缩短至数月。”

展望未来，Ada 已开始使用 MongoDB Change Streams （变更流）构建分布式事件处理系统，为聊天机器人和分析提供底层支持。除此之外，Ada 还在探索可查询加密，旨在保护对话隐私的同时推进 AI 模型训练发展。

在接受亚马逊云科技的买家之声 (VOC) 采访时，Gozzo 谈到“速度”如何驱动 Ada 的整个产品开发。这里的“速度”既指企业发布产品和功能的速度，也包括团队学习和迭代的速度。通过在亚马逊云科技上运行 MongoDB Atlas，并结合无服务器 Lambda 函数和 Amazon Bedrock 提供的大语言模型，Ada 能够以可重复、高性能且可扩展的方式交付应用程序。

MongoDB Atlas

MongoDB Atlas 是 MongoDB 公司提供的 MongoDB 云服务，由 MongoDB 数据库的开发团队构建和运维，可以在亚马逊云科技、Microsoft Azure、Google Cloud Platform 云平台上轻松部署、运营和扩展。MongoDB Atlas 内建了 MongoDB 安全和运维最佳实践，可自动完成基础设施的部署、数据库的构建、高可用部署、数据的全球分发、备份等即费时又需要大量经验运维工作。让您通过简单的界面和 API 就 可以完成这些工作，由此您可以将更多宝贵的时间花在构建您的应用上。