Jeu vidéo et chaîne de blocs
Une plateforme de données et d’IA pour une économie de jeu en direct
Ingestion, entrepôt en couches et espace de travail d’apprentissage automatique sur une économie de jeu en direct — avec une couche conversationnelle qui interroge Snowflake directement par MCP.
Client
Un studio de jeu sur chaîne de blocs
0
ligne de SQL pour poser une question
Le défi
Ce qui bloquait
Une économie de jeu en direct génère en continu des données de joueurs, de transactions et de chaîne de blocs, et presque rien de tout cela n’est utile dans la forme où il arrive.
Le studio devait transformer ces flux bruts en quelque chose que son équipe pourrait interroger — sans embaucher une équipe de données pour le faire.
La solution
Ce que nous avons bâti
Le domaine analytique au complet : pipelines d’ingestion sur dlt, modèle dbt en couches au-dessus de Snowflake, et espace de travail d’apprentissage automatique sur les données modélisées.
Par-dessus l’entrepôt, nous avons posé une couche conversationnelle qui interroge Snowflake directement via le Model Context Protocol, bâtie sur une fabrique de LLM multifournisseurs afin que le studio ne soit jamais captif d’un seul fournisseur.
Parce qu’une réponse analytique fausse avec assurance est pire que pas de réponse du tout, une passe de supervision vérifie chaque résultat avant qu’il n’atteigne la personne qui a posé la question. L’assistant rejoint le studio là où il travaille déjà — un espace de travail dans le navigateur pour l’exploration, et un robot Slack pour les questions qui surgissent en pleine conversation.
Technologies clés
- Entrepôt
- Snowflake avec modèles dbt en couches
- Ingestion
- Pipelines dlt — joueurs, transactions, chaîne de blocs
- IA
- Serveur MCP au-dessus de Snowflake; OpenAI, Anthropic, Bedrock, Gemini
- Interface
- Espace Streamlit, robot Slack, sessions cloisonnées par clé
Retombées et résultats
De l’analytique en langage courant
Les données de jeu et d’économie interrogeables par des gens qui n’écrivent pas de SQL.
Un entrepôt modélisé
Remplaçant les extractions ponctuelles comme base de toute analyse.
Aucune dépendance à un fournisseur de LLM
Changer de fournisseur est un changement de configuration, pas une reconstruction.
Des réponses vérifiées avant d’arriver
Une passe de vérification se tient entre le modèle et la personne qui interroge.
Commencez ici
Commencez par un problème, pas par un cahier des charges.
Dites-nous ce qui est lent, ce qui est manuel, ce qui est bloqué, ou ce que plus personne ne comprend. Nous vous dirons honnêtement si cela vaut la peine d’être bâti.