本文讨论了Databricks全球金融服务市场领导者Kim Hatton的职业经历及其对市场与技术交汇的看法。她指出，金融机构在扩展AI时面临的主要挑战是获取统一的客户视图，而Databricks的Unity Catalog能够打破数据孤岛，提供统一治理，帮助营销团队在合规的同时快速行动。此外，Databricks的文化鼓励创新与协作，提升员工的工作热情。

lakeFS推出了针对自主AI工作负载的数据治理服务，旨在解决传统手动数据管理的挑战。该服务为每个自主代理提供独立的数据沙箱，确保数据变更经过验证，避免生产数据被破坏，并通过统一审计跟踪和政策控制提升数据治理的自动化水平。

Databricks推出自定义URL功能，用户可通过单一品牌域名无缝登录多个工作区，简化用户体验。此功能支持跨工作区访问和数据治理，提升工作效率，用户只需一次登录即可在不同工作区间流畅切换。

Rivian与Databricks合作，通过AI和自助分析提升决策效率。Rivian构建了统一的治理层，实现数据标准化和快速访问，支持员工自主探索和构建解决方案。AI加速了数据认证过程，使业务用户能够快速获取和使用可信数据，推动企业自助服务的实现。

Snowflake与AWS的定制框架整合了两者的最佳实践，简化了安全、可靠性和性能优化等七个支柱的评估。通过统一审查流程，团队能够更高效地管理安全控制、数据治理和合规性，提升生产准备度。该框架支持多种访问方式，帮助用户在AWS和Snowflake环境中优化架构，降低成本并提高可持续性。

反洗钱（AML）在金融服务中面临挑战，传统模式难以应对新兴金融犯罪和监管要求。Databricks数据智能平台通过整合多个系统，提升AML效率，减少假阳性率，缩短调查时间，并支持实时数据治理，利用AI代理简化调查流程，帮助AML团队更有效地处理合规工作。

企业数据战略是组织收集、管理和利用数据以实现商业目标的正式计划，涵盖数据治理、管理、质量、分析和团队结构等关键要素。有效的数据战略能够识别竞争优势，将数据资产转化为可操作的洞察，从而提升业务价值。实施全面的数据战略通常需要12到18个月。

Snowflake推出了基于AI的编码代理CoCo，旨在简化企业开发，支持自动化工作流程和应用开发。CoCo与Snowflake的数据平台深度集成，提供多种接口以提高开发者生产力。此外，Snowflake还推出了Datastream，简化实时数据流处理，强调治理和信任，致力于解决数据碎片化问题，并与多个开发平台合作。

Databricks推出了Kiro IDE，与其数据智能平台集成，支持AI辅助开发。通过Model Context Protocol (MCP)，AI助手可实时访问工作区元数据，确保查询准确性。用户可选择两种连接方式，快速构建分析和工作流。同时，Databricks的Unity Catalog确保数据治理，避免权限问题，提升开发效率。

数据治理是确保数据质量和合规性的关键，需明确目标、责任和透明流程。核心原则包括问责制、透明度、一致性和管理。采用合适的数据治理框架（如DAMA-DMBOK、TOGAF）可帮助建立稳健的治理结构。数据架构设计应支持数据的可访问性和完整性，并确保数据安全。持续监控数据质量和合规性是成功治理的策略。

本文讨论了数据仓库设计的关键要素，包括架构、数据建模、ETL/ELT管道和治理。有效的数据仓库应以明确的业务目标为基础，支持核心分析用例，确保数据分析的有效性。现代数据仓库通常采用三层架构，涵盖数据源层、存储层和展示层。设计时需考虑数据质量、存储策略和数据治理，以确保数据的安全性和一致性。

金融服务领域正在推动AI的规模化应用，但面临数据治理和基础架构的挑战。尽管AI能改善客户体验和运营效率，许多组织在执行上遇到困难。成功的关键在于建立可信的数据基础、嵌入治理、实现可观测性和促进跨职能协作。企业需将AI视为核心能力，逐步实施并与合作伙伴协作，以降低风险并提升业务成果。

金融服务行业在人工智能应用中面临数据基础薄弱的挑战。企业需统一数据、加强治理，并优先建设基础设施。成功的AI战略应将治理融入工作流程，促进跨部门合作及与外部合作伙伴的协作，以降低风险并提升效率。建立可信的数据基础将有助于金融机构实现AI的可扩展性和有效性。

在全球最大的数据、应用和人工智能活动中，五位高管分享了AI应用的经验和最佳实践。他们强调数据和AI治理应贯穿整个代理生命周期，以确保风险评估和合规性。组织需建立治理委员会，推动复杂任务的自动化，提升工作效率。通过实验和早期成功，企业能够加速AI的采用，创造新的价值。

Unity Catalog 是一个全面的 Apache Iceberg 目录，具备开放 API、目录联合和跨引擎访问控制等功能。它支持多种引擎，确保数据治理和优化，帮助企业实现安全共享和高效管理，满足 AI 应用需求。同时，Unity Catalog 提供自动优化，提升查询性能，推动 Iceberg 和 Delta 的统一发展。

Databricks提供全面的BI服务解决方案，优化数据建模、存储和查询性能。通过Unity Catalog实现数据治理，采用星型模式提升查询效率。液态聚类和预测优化减少数据扫描，降低计算成本。Metric Views集中定义业务指标，确保一致性并简化维护。启用物化视图可实现快速查询，降低延迟和拥有成本。

Lakebase推出了变更数据馈送（CDF），简化了从操作数据库到Lakehouse的数据提取过程。通过Unity Catalog管理，用户可以轻松启用CDF，提升数据治理和流通效率。这一新架构将操作数据库转变为Lakehouse的原生Bronze层，支持ETL和流式工作流，推动数据管理的开放性与高效性。

根据NVIDIA的报告，97%的电信高管正在利用AI提升客户体验和网络运营，但许多AI项目在规模化时遇到瓶颈，主要由于缺乏高质量的数据，导致数据碎片化和治理不足。Unity Catalog通过提供统一的治理和元数据层，帮助企业有效利用数据，提升AI的准确性和可靠性。成功的AI实施依赖于强大的数据基础和组织承诺。

现代AI系统越来越依赖语义基础设施，如元数据、分类法和本体，以确保数据的可信性和上下文理解。企业在实施AI时，应关注数据的语义结构，而不仅仅是模型本身。开源数据平台如PostgreSQL在这一转型中发挥重要作用，帮助企业整合数据、元数据和治理，提升AI的操作智能。

Salesforce旗下的Informatica在2026年Informatica World大会上宣布与Google Cloud、Snowflake和Databricks集成无头架构，提升数据质量和治理的效率。Informatica的CLAIRE GPT在Google Cloud上推出，简化数据管理流程。A2A协议支持代理间协作，促进开放生态系统，增强数据治理和客户身份管理。