毫无疑问，如今从生成式AI（GenAI）中获益最大的，是那些早已在预测式AI（Predictive AI）领域深耕多年的组织。这个判断并非凭空猜测——2023年6月，麦肯锡在《生成式人工智能的经济潜力》报告中给出了同样的结论（报告链接：https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier）。为什么会有这样的规律？核心原因其实就三条：第一，内部文化是否鼓励尝试和探索；第二，组织是否具备相关技能（不过生成式AI对开发者的依赖更强，而不是传统的数据科学家）；第三，也是最关键的——手里有没有干净、准确、精心挑选的数据，能直接喂给GenAI模型。
但这并不意味着只有“老玩家”才能上车。如果仔细翻翻MongoDB的“构建AI案例研究系列”，会发现大量处于不同AI成熟度阶段的企业，都在用MongoDB搞人工智能创新。接下来，我们聚焦两家有代表性的公司——它们已经成功构建了预测式AI应用，并正在向生成式AI迈进：
- MyGamePlan：帮助职业足球运动员和教练提升球队表现。
- Ferret.ai：利用公开数据做背景调查，帮企业和消费者之间建立信任。
在这两个案例中，预测式AI是数据驱动决策的基石。而现在，它们都在探索生成式AI，希望通过新产品提升用户参与度。有意思的是，它们不约而同选择了MongoDB Atlas，并且把同一个平台灵活应用到各种AI场景中。
MyGamePlan：用AI洞察力踢好每一场球
用数据分析提升职业运动员表现早就不新鲜了，但传统方案往往极其复杂——需要集成多个数据提供者的信息，成本高、洞察周期长。MyGamePlan的目标就是打破这种局面。目前，不少欧洲顶级球队的教练和球员都在用它，包括勒沃库森（德甲榜首）、桑德兰（英冠）、卡斯特利翁（西丙榜首）和弗罗茨瓦夫西里西亚（波兰甲级联赛榜首）。
MyGamePlan的CTO兼联合创始人Dries Deprest说，他们通过前沿分析、AI和用户友好型平台，把赛事数据、球员跟踪数据和视频资源无缝整合在一起，重新定义了足球分析的方式。平台能自动化工作流，帮教练和球员制定战术、促进球员发展、推动战略执行。
平台核心是一套基于Python的自定义预测式AI模型，跑在Amazon SageMaker上。这些模型能分析比赛的特定时刻，给球员个人表现和对球队贡献打分，还能推测球员的表现并与对手球员对比，为比赛日战术提供依据。
数据是模型准确性的命门。MyGamePlan把MongoDB Atlas作为数据库，存储三类信息：每场比赛的元数据（比赛、球队、球员）、每场比赛的事件数据（传球、断球、犯规、射门等），以及每100毫秒捕捉一次的球员位置跟踪遥测数据。这些数据从MongoDB迁移到Python DataFrames，再结合第三方数据流，共同训练ML模型。训练完成后，从特定比赛序列生成的推论又存回MongoDB Atlas，供教练和球员做下游分析。
图1：利用MyGamePlan网页和手机应用，教练和球员可以即时评估比赛并制定战术。
Deprest表示，MongoDB非常适合这个用例，因为MyGamePlan正在用AI模型持续丰富数据，并把数据用于洞察和分析。两年前开始采用MongoDB时，他们就看中了它处理复杂多向关系的能力——比赛、球员、事件、跟踪之间需要相互关联，而MongoDB丰富的文档结构用嵌套元素就能优雅地表示这种关系，比用外键连关系型数据库快得多，也高效得多。
在开发层面，团队用PyMongo driver把MongoDB和SageMaker上的Python ML数据管道集成，再用MongoDB Node.js driver对接基于React的前端应用。Deprest特别提到两个关键优势：一是MongoDB在开发者中采用率高，团队上手快；二是用户可以直接在实时数据上构建应用内分析，无需把数据搬到数据仓库或数据湖，靠MongoDB的聚合管道就能完成强大的筛选、变换和窗口函数操作。
接下来，MyGamePlan正在评估如何用GenAI进一步改善用户体验。平台已经积累了丰富的数据和分析，他们希望让球员和教练能用自然语言直接提问，通过聊天和问答界面获取洞察。目前团队正在评估将OpenAI的ChatGPT与复杂提示工程结合，用LangChain和LlamaIndex编排，配合MongoDB Atlas Vector Search实现检索增强生成（RAG）。Deprest说得很直接：“因为源数据就在MongoDB Atlas里，再结合向量存储和就地向量搜索，对我们开发者来说是最理想的方案。”
Ferret.ai：用AI解析关系，建立信任，成本直降30%
无论是在现实世界还是数字世界，人与人之间总要建立关系——线上交易、厂商和客户、投资者和创始人……信任是刚需，但也是最难建立的。Ferret.ai就是专门帮人消除猜疑、建立信任的工具。它是一个AI平台，专注于为公司和个人提供实时、公正的情报，识别风险、把握机遇。通过预测式和生成式AI，结合成千上万的全球数据源和数十亿公开文件，Ferret.ai把以往只有金融行业才能用到的关系情报和监测服务普惠化。
CTO Al Basseri介绍了背后的机制：Ferret从社交网络、交易记录、法庭文件、新闻档案、公司所有权等公共来源获取个人信息，通过Kafka管道传输到Anyscale/Ray MLops平台，再用spaCy和机器学习模型做自然语言处理。所有元数据（接近30亿个文档）和模型推断都存储在MongoDB Atlas中。用户可以通过网页和移动应用访问，企业用户还能用即将推出的API。
图2：人工智能+实时数据=来自Ferret.ai的关系智能
除了预测式AI，Ferret的开发者也在尝试GenAI。Basseri透露，他们与英伟达的数据科学团队紧密合作，对数据来源和分析做综合，帮客户更了解联系人、建立关系。实验发现，Mistral模型及其混合专家集成系统相比那些更大的通用LLM，资源开销更少。
有意思的是，除了AI模型数据，客户数据和联系人列表也存储在MongoDB Atlas中。Ferret对公共记录源持续监测和评分，一旦检测到个人身份信息变化，就通过MongoDB Atlas Triggers实时向消费应用发送警报。这是一种完全事件驱动的反应式架构，开发者只需设置就能轻松实现。
Basseri还列举了MongoDB带来的其他好处：Atlas是完全托管服务，融入了最佳实践，让开发者和数据科学家从数据库运维中解脱出来；它是一个成熟方案，已被大量高增长企业验证；随着团队快速扩张，能找到懂MongoDB的工程师非常关键。
话说回来，Ferret正在做一件更激进的事——把数据库和搜索统一起来。他们正从Amazon OpenSearch迁移到Atlas Search。Basseri直言：“将数据库和搜索统一在同一个API下，能减少开发者的认知负荷，提高工作效率，消除数据同步的麻烦，缩短工程周期。用户也能得到更好的体验——以前延迟瓶颈消失了，搜索联系人时拿到的是最新结果，而不是过时的数据。” 更重要的是，从OpenSearch迁移到Atlas Search还能省钱——消除数据库和搜索引擎之间的数据冗余后，每月云总成本降低了30%。而且Atlas是支持多云的开发者数据平台，可以根据需要在多个云提供商之间迁移。迁移完成后，团队就能用Atlas Vector Search继续构建GenAI功能。
这两个案例清清楚楚地说明：无论企业处于AI发展的哪个阶段，MongoDB都能提供支撑。从预测式AI到生成式AI，从数据存储到向量搜索，一个平台就能覆盖全链路需求。
MongoDB Atlas是MongoDB公司提供的云服务，由MongoDB数据库开发团队构建和运维，支持在AWS、Azure、GCP上轻松部署、运营和扩展。它内建了安全与运维最佳实践，自动完成基础设施部署、数据库构建、高可用部署、全球分发、备份等繁重工作，让开发者通过简单的界面和API就能搞定一切，从而把更多时间花在构建应用上。