AtScale: שכבת סמנטיקה מעלה את דיוק ה-AI עד פי 2.4
מחקר חדש של AtScale מגלה שמודלי AI עונים נכון על פחות מ-40% מהשאלות העסקיות ללא שכבת סמנטיקה. עם הוספת שכבת הסמנטיקה, הדיוק משתפר פי 1.7 עד פי 2.4, כאשר Claude Sonnet 5 קפץ מ-46% ל-93%. הממצאים מדגישים את הצורך בהגדרות עסקיות מפוקחות לשימוש אמין ב-AI באנליטיקה עסקית, במיוחד כשחברות מנסות לחבר סוכני AI לנתונים קיימים.
בלי שכבת סמנטיקה, מודלי AI טועים ביותר מ-60% מהשאלות העסקיות – ומחקר חדש מראה איך אפשר לתקן את זה. אתמול פרסמה AtScale ממצאים שלפיהם מובילי השוק בתחום הבינה המלאכותית עונים נכון על פחות מ-40% מהשאלות העסקיות כשהם שואלים מסד נתונים ישירות, אפילו עם סכימה ומסמכי שדות. הפער הזה, לדברי החוקרים, מונע מ-AI להיכנס לתהליכי עבודה קריטיים כמו פיננסים ותפעול, שבהם הדיוק הוא הכרחי.
המחקר התבסס על בנצ'מרק BIRD-Interact, הכולל 600 משימות ב-22 מסדי נתונים, מתוכן 410 שאלות עסקיות ו-317 שאלות שבהן ניתן לאמת את התשובה. AtScale הוסיפה את שכבת הסמנטיקה שלה – שכבה שמספקת הגדרות עסקיות מפוקחות וחישובים אחידים – ושיפרה את הדיוק בכל שבעת המודלים שנבדקו. בממוצע, השיפור היה פי 1.7 עד פי 2.4.
הנתונים בולטים במיוחד: Claude Sonnet 5, מודל של Anthropic, קפץ מ-46% דיוק ל-93% ב-317 השאלות שבהן ניתן לאמת את התשובה. מפתיע עוד יותר, Kimi K2.5, מודל בעל משקלים פתוחים, הגיע לפער של 1.2 נקודות אחוז בלבד מ-GPT-5 של OpenAI כשנעזר בשכבת הסמנטיקה. זה מרמז שהנתונים שעליהם מתבסס המודל עשויים להיות חשובים יותר מהמודל עצמו, לפחות באנליטיקה עסקית.
איך שכבת סמנטיקה עוזרת? היא מתרגמת מונחים עסקיים כמו "הכנסה" או "שולי רווח" להגדרות אחידות, כך שה-AI לא צריך לנחש מה הם מייצגים. לדברי ג'יי שורן, נשיא AtScale, "מודלי שפה גדולים הם הסתברותיים מטבעם. פיננסים ותפעול דורשים עקביות ותשובות מבוקרות. הפער הזה הוא אחד המחסומים הגדולים ביותר להטמעת AI ארגוני בייצור."
שורן מסביר שבלי שכבת סמנטיקה, ה-AI מנסה להמציא דרכים לחשב דברים, מה שמוביל לחוסר עקביות. עם שכבת הסמנטיקה, ה-AI מתבסס על הגדרות עסקיות מוגדרות מראש, מה שמאפשר לו לעבור מניסויים לשגרה עסקית. "כך סוכני AI עוברים מניסויים לתהליכי העבודה שמניעים את העסק", הוא מוסיף.
המחקר מגיע בזמן שבו חברות רבות מנסות לחבר סוכני AI לפלטפורמות הנתונים הקיימות שלהן. זה לא תמיד קל: נתונים מפוזרים בין מחסנים, lakehouses, ענן ומערכות legacy, עם הגדרות שונות בין מחלקות. לדוגמה, מכירות עשויות לספור לקוח מיד עם חתימת עסקה, בעוד פיננסים סופרים רק עם התשלום הראשון.
התעשייה כבר מגיבה. בספטמבר 2025, Snowflake השיקה את Open Semantic Interchange עם Salesforce ו-dbt Labs כדי לעזור לפלטפורמות לשתף הגדרות עסקיות. Databricks הצטרף, והפרויקט הפך לחלק מקרן Apache, תחת השם Apache OSSie. Snowflake Ventures גם הובילה את סבב הגיוס הגדול ביותר של AtScale בדצמבר 2025.
אבל בניית מודל סמנטי דורשת עבודה רבה. לחברות גדולות עשויות להיות אלפי טבלאות, שנים של נתונים וכללים עסקיים שונים. מישהו צריך למיין את הכול, להגיע להסכמה על הגדרות ולעדכן אותן. המחקר לא מציין כמה זמן וכסף זה ייקח.
AtScale גם השיקה את AtScale for AI, שמאחד מודלינג סמנטי, אנליטיקה מבוססת AI ובדיקת דיוק. עבור צוותי נתונים, התוצאות מעודדות, אך עדיין יש הרבה מה לפתור. חברות השקיעו שנים בבניית מחסני נתונים, והתברר שלגרום ל-AI להשתמש בהם נכון קשה יותר.
במילים אחרות, ה-AI שלך צריך לעבור קורס במנהל עסקים לפני שהוא מתחיל לעבוד על הדוחות.