免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

歡迎來(lái)到AI產(chǎn)品經(jīng)理從0到1研習(xí)之旅。

在之前的文章中，我們研習(xí)了AI大模型在電商購(gòu)物和在線會(huì)議、網(wǎng)盤(pán)工具幾種不同場(chǎng)景的產(chǎn)品實(shí)際應(yīng)用情況：

電商：Shopify、淘寶問(wèn)問(wèn)

工具：騰訊會(huì)議、百度網(wǎng)盤(pán)

（點(diǎn)擊可查看對(duì)應(yīng)文章）

本文將繼續(xù)這個(gè)系列，研習(xí)我本人非常感興趣的：AI大模型在BI（商業(yè)智能）領(lǐng)域的實(shí)踐應(yīng)用。

預(yù)警：文章內(nèi)容較長(zhǎng)！全文約1.2萬(wàn)字：

1. 引言：BI是什么、AI大語(yǔ)言模型結(jié)合BI有什么優(yōu)勢(shì)

2. AI+BI的不同模式：主要關(guān)注在數(shù)據(jù)查詢分析&可視化呈現(xiàn)環(huán)節(jié)

3. AI+BI的實(shí)施挑戰(zhàn)

4. 產(chǎn)品實(shí)踐：包括網(wǎng)易、百度、京東、騰訊以及觀遠(yuǎn)數(shù)據(jù)、神策數(shù)據(jù)在AI+BI上的不同嘗試

5. 百度Sugar BI 智能問(wèn)數(shù)上手初體驗(yàn)

6. 思考與延伸

引言

圖：阿里云Quick BI產(chǎn)品架構(gòu)

就我目前所在公司的業(yè)務(wù)情況，AI+BI也是我認(rèn)為有落地場(chǎng)景和價(jià)值的一個(gè)方向（當(dāng)然從可用資源和投入產(chǎn)出比的角度來(lái)看，在我司還不適合推進(jìn)），因此對(duì)這個(gè)領(lǐng)域多有關(guān)注，是以有本文。

需要強(qiáng)調(diào)的是，本文接下來(lái)所提到的AI，特指以大語(yǔ)言模型（LLMs）為基礎(chǔ)的自然語(yǔ)言能力——即對(duì)話式的系統(tǒng)交互支持（畢竟在BI領(lǐng)域還有其他的AI技術(shù)可以使用，例如機(jī)器學(xué)習(xí)可用于銷(xiāo)售預(yù)測(cè)）。

• 自然語(yǔ)言處理與理解：大模型的強(qiáng)大自然語(yǔ)言處理能力使用戶能夠用自己熟悉的語(yǔ)言來(lái)查詢和分析數(shù)據(jù)，這大大降低了數(shù)據(jù)分析的學(xué)習(xí)曲線，使非技術(shù)用戶也能輕松上手。此外，大模型能夠處理和分析非結(jié)構(gòu)化數(shù)據(jù)，如客戶評(píng)價(jià)和媒體內(nèi)容，從而提取出有價(jià)值的信息和洞察，為企業(yè)提供全面的數(shù)據(jù)視角。
• 智能推理與預(yù)測(cè)：大模型不僅能夠處理當(dāng)前的數(shù)據(jù)，還能夠基于現(xiàn)有數(shù)據(jù)進(jìn)行推理和預(yù)測(cè)。這意味著它可以幫助用戶識(shí)別數(shù)據(jù)中的異常點(diǎn)、趨勢(shì)以及潛在的問(wèn)題和機(jī)會(huì)，從而為決策提供支持。這種能力對(duì)于企業(yè)來(lái)說(shuō)極其寶貴，因?yàn)樗梢詭椭髽I(yè)預(yù)測(cè)市場(chǎng)變化，提前做好準(zhǔn)備。
• 代碼生成與自動(dòng)化：大模型還能夠通過(guò)自然語(yǔ)言指令生成Python、R等編程語(yǔ)言的代碼，這極大地降低了技術(shù)門(mén)檻，使得即使是沒(méi)有編程背景的用戶也能夠完成復(fù)雜的數(shù)據(jù)分析任務(wù)。這種自動(dòng)化的代碼生成功能，不僅提高了數(shù)據(jù)分析的效率，也拓寬了數(shù)據(jù)分析的應(yīng)用范圍。
• 新的交互形式：大模型引入了基于語(yǔ)言的交互方式，這種交互方式更加直觀和自然，用戶無(wú)需學(xué)習(xí)復(fù)雜的軟件操作，只需通過(guò)自然語(yǔ)言表達(dá)自己的查詢需求。這種交互方式不僅提升了用戶體驗(yàn)，也使得數(shù)據(jù)分析工具能夠更好地融入用戶的工作流程中。

接下來(lái)就請(qǐng)隨我一起探索一番。

AI+BI的不同模式

LLM在BI產(chǎn)品領(lǐng)域，適合作為現(xiàn)有數(shù)據(jù)分析手段的有效補(bǔ)充，特別是在即席數(shù)據(jù)查詢、傳統(tǒng)BI工具能力提升、簡(jiǎn)單數(shù)據(jù)挖掘與洞察等方面。

就目前來(lái)看，在自然語(yǔ)言的對(duì)話式BI數(shù)據(jù)分析有3種可行的實(shí)現(xiàn)模式：

• text-to-API：即根據(jù)用戶輸入的自然語(yǔ)言，進(jìn)行意圖理解，并匹配調(diào)用對(duì)應(yīng)的API；

• text-to-SQL：即根據(jù)用戶輸入的自然語(yǔ)言，進(jìn)行意圖理解，直接生成SQL語(yǔ)句對(duì)關(guān)系型數(shù)據(jù)庫(kù)（如MySQL）執(zhí)行查詢；

• text-to-Code：即根據(jù)用戶輸入的自然語(yǔ)言，結(jié)合大模型自己對(duì)相關(guān)數(shù)據(jù)的“理解”，直接生成代碼并執(zhí)行分析（可以理解為ChatGPT中的代碼解釋器Code Interpreter）。

當(dāng)然這些模式并不全面。比如說(shuō)還有text-to-JSON等。

• text-to-API這種模式相對(duì)容易實(shí)現(xiàn)，可以快速為現(xiàn)有的BI工具增加自然語(yǔ)言查詢的能力，但它的靈活性和擴(kuò)展性受限于底層BI工具的API。因此，如果API功能較為有限，可能會(huì)限制這種模式的應(yīng)用場(chǎng)景和深度。它適用于企業(yè)已經(jīng)部署了具有豐富API支持的BI工具，并希望快速實(shí)現(xiàn)自然語(yǔ)言查詢功能時(shí)。通過(guò)這種模式可以與現(xiàn)有系統(tǒng)緊密集成，且滿足對(duì)實(shí)時(shí)性要求較高的場(chǎng)景。
• text-to-SQL是一種較為通用和強(qiáng)大的模式，可以直接利用數(shù)據(jù)庫(kù)的強(qiáng)大查詢能力。然而，它對(duì)大語(yǔ)言模型轉(zhuǎn)換自然語(yǔ)言到精確的SQL語(yǔ)句的能力有較高要求，可能需要進(jìn)行較多的定制和優(yōu)化，特別是在處理復(fù)雜查詢時(shí)。此外，SQL查詢的性能優(yōu)化也是一個(gè)需要考慮的重要因素。它適用于基于標(biāo)準(zhǔn)SQL數(shù)據(jù)庫(kù)的數(shù)據(jù)分析，特別是在數(shù)據(jù)結(jié)構(gòu)清晰、查詢需求標(biāo)準(zhǔn)化的環(huán)境中。對(duì)于希望利用現(xiàn)有數(shù)據(jù)庫(kù)能力，而不依賴特定BI工具的企業(yè)來(lái)說(shuō)，這是一個(gè)較好的選擇。
• text-to-Code模式提供了最大的靈活性和功能強(qiáng)大的數(shù)據(jù)處理能力，因?yàn)樗梢灾苯永萌鏟ython這樣的編程語(yǔ)言及其生態(tài)系統(tǒng)。這種模式尤其適合數(shù)據(jù)科學(xué)和復(fù)雜數(shù)據(jù)分析任務(wù)。然而，它也帶來(lái)了較高的實(shí)現(xiàn)復(fù)雜度和對(duì)執(zhí)行環(huán)境的要求，可能需要更多的安全和性能方面的考慮。它應(yīng)該適用于當(dāng)數(shù)據(jù)分析需求高度復(fù)雜和定制化，需要利用數(shù)據(jù)科學(xué)庫(kù)進(jìn)行深入分析時(shí)，以及對(duì)數(shù)據(jù)安全性和隱私有較高要求的場(chǎng)景，因?yàn)榭梢栽诒镜鼗蚴芸氐沫h(huán)境中執(zhí)行生成的代碼。

• 自然語(yǔ)言文本報(bào)告：主要依賴于LLM的NLG能力，即將數(shù)據(jù)點(diǎn)和分析結(jié)果轉(zhuǎn)化為易于理解的文本報(bào)告；
  
• 動(dòng)態(tài)可視化模板報(bào)告：需要LLM理解用戶的自然語(yǔ)言查詢（NLU），并根據(jù)查詢的內(nèi)容和意圖選擇或生成合適的可視化模板對(duì)數(shù)據(jù)點(diǎn)和分析結(jié)果進(jìn)行合理的呈現(xiàn)；
  
• 交互式數(shù)據(jù)探索助手：這種模式對(duì)LLM的能力要求最高，不僅需要深入理解用戶的自然語(yǔ)言查詢，還要能夠?qū)崟r(shí)處理數(shù)據(jù)、生成可視化，并且在交互過(guò)程中不斷調(diào)整和優(yōu)化輸出結(jié)果。這要求LLM不僅要具備強(qiáng)大的NLU和NLG能力，還需要具備一定的邏輯推理和動(dòng)態(tài)交互能力。
  

AI+BI的實(shí)施挑戰(zhàn)

雖然將LLM與BI系統(tǒng)結(jié)合可以極大地提升數(shù)據(jù)分析和報(bào)告的智能化程度，對(duì)用戶體驗(yàn)有著不言而喻的好處。但是，就當(dāng)前的技術(shù)進(jìn)展和結(jié)合情況來(lái)看，可能會(huì)遇到以下挑戰(zhàn)：

由于LLM主要通過(guò)訓(xùn)練數(shù)據(jù)學(xué)習(xí)，如果訓(xùn)練數(shù)據(jù)不包含足夠的行業(yè)特定知識(shí)或上下文信息，模型可能難以準(zhǔn)確理解復(fù)雜的業(yè)務(wù)數(shù)據(jù)。因此，LLM可能在理解復(fù)雜數(shù)據(jù)集、特定行業(yè)術(shù)語(yǔ)或上下文中的細(xì)微差別方面存在挑戰(zhàn)。這可能導(dǎo)致數(shù)據(jù)分析結(jié)果的誤解或錯(cuò)誤解釋。

我們需要確保LLM能夠提供自然、流暢的交互體驗(yàn)，同時(shí)能準(zhǔn)確理解用戶的查詢意圖和需求，這可能存在挑戰(zhàn)。因?yàn)?/span>不同用戶的查詢方式和習(xí)慣多樣性，對(duì)應(yīng)地表現(xiàn)為自然語(yǔ)言理解的復(fù)雜性，可能會(huì)影響交互的準(zhǔn)確性和用戶滿意度。

在需要快速響應(yīng)的BI應(yīng)用中，確保LLM提供的解決方案能夠滿足性能和實(shí)時(shí)性要求可能是一個(gè)挑戰(zhàn)。原因在于大型模型可能需要顯著的計(jì)算資源和處理時(shí)間，特別是在處理大型數(shù)據(jù)集或復(fù)雜查詢時(shí)。（不過(guò)就我個(gè)人目前的體驗(yàn)而言，這個(gè)問(wèn)題不大，反而是BI系統(tǒng)本身可能存在這個(gè)瓶頸需要解決）

在不斷地妥協(xié)之后，我們感覺(jué)在 AI 應(yīng)用落地中存在一個(gè)不可能三角，效率-準(zhǔn)確-智能的不可能三角。希望能夠快速且準(zhǔn)確地解決問(wèn)題，就會(huì)對(duì)復(fù)雜問(wèn)題束手無(wú)策；需要準(zhǔn)確地解決復(fù)雜問(wèn)題，就會(huì)需要漫長(zhǎng)的時(shí)間來(lái)思考、拆解、處理；希望能夠快速地解決復(fù)雜問(wèn)題，就會(huì)無(wú)可避免地面臨幻覺(jué)的產(chǎn)生。

騰訊技術(shù)工程團(tuán)隊(duì)，benze

（部分）產(chǎn)品實(shí)踐

網(wǎng)易數(shù)帆團(tuán)隊(duì)于2023年推出了基于網(wǎng)易自研大模型的對(duì)話式數(shù)據(jù)智能助手——有數(shù)ChatBI，它融合了前沿的AIGC技術(shù)，通過(guò)自然語(yǔ)言理解與專業(yè)數(shù)據(jù)分析能力，用戶只需通過(guò)日常對(duì)話的方式即可獲得可信的數(shù)據(jù)，極大降低數(shù)據(jù)消費(fèi)門(mén)檻。

圖：網(wǎng)易數(shù)帆的產(chǎn)品全景圖

圖：京東chatBI實(shí)現(xiàn)的基本結(jié)構(gòu)圖

它結(jié)合了大語(yǔ)言模型、公/私域知識(shí)庫(kù)和數(shù)據(jù)分析應(yīng)用擴(kuò)展，通過(guò)自然語(yǔ)言的交互形式，降低了使用門(mén)檻，并通過(guò)沉淀的業(yè)務(wù)知識(shí)和數(shù)據(jù)資產(chǎn)提供準(zhǔn)確的分析結(jié)果，針對(duì)的主要用戶痛點(diǎn)包括數(shù)據(jù)理解、獲取和分析的復(fù)雜性。

（1）知識(shí)庫(kù)的構(gòu)建與應(yīng)用

（2）核心技術(shù)能力

（3）提升工作效率的應(yīng)用實(shí)例

SugarBI是百度智能云推出的敏捷BI和數(shù)據(jù)可視化平臺(tái)，解決報(bào)表和大屏的數(shù)據(jù)BI分析和可視化問(wèn)題，通過(guò)不斷將AI能力融合進(jìn)自身產(chǎn)品中，推出「文心問(wèn)數(shù)Sugar Bot」功能，大幅度提升用戶的數(shù)據(jù)分析效率。

圖：百度SugarBI中所融入的智能化功能

• AI問(wèn)答：數(shù)據(jù)可視化Sugar BI接入了百度自然語(yǔ)言處理（NLP）技術(shù)，通過(guò)對(duì)用戶輸入問(wèn)題的理解，直接展現(xiàn)Sugar BI智能推薦的合適的可視化形式，根據(jù)拖入控制面板的數(shù)據(jù)字段為您自動(dòng)推薦圖表
• 自動(dòng)分析：您準(zhǔn)備數(shù)據(jù)，我生成報(bào)表。數(shù)據(jù)可視化Sugar BI 省去拖拽創(chuàng)建報(bào)表的過(guò)程，系統(tǒng)在幾秒鐘內(nèi)，將明細(xì)數(shù)據(jù)自動(dòng)制作成交互式報(bào)表，讓您對(duì)數(shù)據(jù)進(jìn)行快速?gòu)氐椎闹悄芊治?/span>
  
  對(duì)應(yīng)地，智能問(wèn)數(shù)適用的場(chǎng)景分別是：

• 場(chǎng)景1——智能問(wèn)數(shù)頁(yè)面，常用于業(yè)務(wù)最新情況的數(shù)據(jù)洞察。用戶可以在相應(yīng)頁(yè)面以問(wèn)答的交互形式，向Sugar BI 提出業(yè)務(wù)問(wèn)題，Sugar BI 將以圖表的形式返回答案及業(yè)務(wù)結(jié)論。
  
  
  
  
  

• 場(chǎng)景2——輔助用戶在報(bào)表/大屏的編輯頁(yè)面進(jìn)行頁(yè)面編輯。用戶可以通過(guò)問(wèn)答交互得到想要的圖表類型后，直接「采用圖表」將其一鍵固定至報(bào)表/大屏中，Sugar BI 會(huì)自動(dòng)幫您進(jìn)行圖表的數(shù)據(jù)配置。這也是一種新的報(bào)表/大屏制作方式，同時(shí)也為編輯者提供了更豐富的制作靈感。
  

基于 NL-to-JSON 等能力，文心問(wèn)數(shù) Sugar Bot 幫助用戶基于對(duì)話來(lái)直接完成數(shù)據(jù)探索，并完成一部分報(bào)表制作功能。同時(shí)，該團(tuán)隊(duì)還在進(jìn)一步研發(fā)意圖理解、指令拆解、圖像生成等 AIGC 能力，基于對(duì)話直接滿足用戶對(duì)報(bào)表、大屏的生成需求，其愿景是實(shí)現(xiàn)大部分內(nèi)容的直接生成，也就是 NL-to-X 。這樣，可以通過(guò)生成式 AI 直接滿足更多用戶業(yè)務(wù)目標(biāo)，逐步實(shí)現(xiàn)業(yè)務(wù)與技術(shù)重構(gòu)。

（1）AI問(wèn)數(shù)

用戶的查詢需求經(jīng)過(guò)智能處理后，SugarBI會(huì)自動(dòng)轉(zhuǎn)換成圖表配置，并生成相應(yīng)的SQL語(yǔ)句進(jìn)行數(shù)據(jù)查詢。這一過(guò)程展示了從需求捕捉到數(shù)據(jù)檢索的無(wú)縫鏈接，極大地提升了數(shù)據(jù)處理的效率。拉取到的數(shù)據(jù)根據(jù)其特征，將被SugarBI的智能圖表功能自動(dòng)匹配到最合適的圖表類型，從而生成直觀且信息豐富的數(shù)據(jù)可視化結(jié)果。（text-to-SQL+動(dòng)態(tài)可視化模板報(bào)告模式）

圖：SugarBI AI問(wèn)答的整體技術(shù)架構(gòu)

（2）自動(dòng)分析

數(shù)據(jù)預(yù)處理與分析準(zhǔn)備：SugarBI在啟動(dòng)自動(dòng)分析前，首先確定分析的數(shù)據(jù)范圍，即選定特定的數(shù)據(jù)字段集合。然后，SugarBI會(huì)詳細(xì)審查這些字段的配置和數(shù)據(jù)細(xì)節(jié)，確保分析的準(zhǔn)確性。值得注意的是，SugarBI在這一階段會(huì)遵循設(shè)定的用戶權(quán)限規(guī)則，確保數(shù)據(jù)訪問(wèn)的合規(guī)性（例如對(duì)于表格分析來(lái)說(shuō)，表格會(huì)根據(jù)報(bào)表所設(shè)置的用戶權(quán)限進(jìn)行權(quán)限和數(shù)據(jù)的過(guò)濾，防止發(fā)生越權(quán)）。

分析模型的運(yùn)作：收集完必要的信息后，SugarBI會(huì)將這些數(shù)據(jù)輸入自動(dòng)分析模型。這個(gè)模型是基于SugarBI內(nèi)部大量報(bào)表數(shù)據(jù)經(jīng)過(guò)訓(xùn)練得來(lái)的，因此具有較強(qiáng)的分析能力。模型會(huì)輸出兩類關(guān)鍵信息：一是數(shù)據(jù)過(guò)濾條件的優(yōu)先級(jí)排名，二是圖表展示字段組合的推薦排名。

圖表生成與優(yōu)化：根據(jù)模型的推薦，SugarBI會(huì)自動(dòng)生成相應(yīng)的數(shù)據(jù)過(guò)濾條件和圖表展示字段組合。這一過(guò)程中，智能圖表功能會(huì)被用來(lái)推薦最合適的圖表類型，以最直觀地展示數(shù)據(jù)。生成的圖表和過(guò)濾條件將被相互關(guān)聯(lián)，提供給用戶靈活的數(shù)據(jù)探索能力，如下鉆和篩選等。

報(bào)表的自動(dòng)排版：最后，SugarBI會(huì)對(duì)選定的過(guò)濾條件和圖表進(jìn)行自動(dòng)排版，形成最終的報(bào)表。這意味著從數(shù)據(jù)選擇到報(bào)表生成的整個(gè)分析流程，都由SugarBI的自動(dòng)分析功能智能完成，極大地提升了分析效率和用戶體驗(yàn)。

圖：SugarBI 自助分析的整體技術(shù)架構(gòu)

騰訊的DataBrain團(tuán)隊(duì)在GPT4發(fā)布之后，嘗試結(jié)合其能力構(gòu)建了一個(gè)服務(wù)于 DataBrain 系統(tǒng)的統(tǒng)一語(yǔ)言智能助手Demo——chatBI，能夠讓用戶在統(tǒng)一的語(yǔ)言交互界面完成數(shù)據(jù)分析的全過(guò)程。和京東的chatBI一樣，該產(chǎn)品目前僅供內(nèi)部使用。

BI Copilot 是觀遠(yuǎn)BI利用大語(yǔ)言模型的能力構(gòu)建的最新模塊，接入了微軟Azure OpenAI 商用服務(wù)權(quán)限（大家理解為就是ChatGPT背后的技術(shù)即可）：

Chat2Answer利用知識(shí)庫(kù)構(gòu)建，可以幫助業(yè)務(wù)用戶理解數(shù)據(jù)的含義，并提供智能解讀。當(dāng)用戶提出數(shù)據(jù)相關(guān)的問(wèn)題時(shí)，Chat2Answer會(huì)解釋數(shù)據(jù)背后的原因，并給出針對(duì)性的建議和可操作的方案。

這個(gè)功能早期的時(shí)候叫“chat2SQL”（也就是我們前面提到的text-to-SQL模式），通過(guò)自然語(yǔ)言交互協(xié)助生成 SQL 查詢語(yǔ)句。以實(shí)際工作流程為例：

用戶在遇到問(wèn)題時(shí)可以直接向Chat2Help尋求幫助。當(dāng)遇到報(bào)錯(cuò)或問(wèn)題時(shí)，只需將報(bào)錯(cuò)信息復(fù)制粘貼到對(duì)話框中與Chat2Help進(jìn)行問(wèn)答，它將直接告訴用戶報(bào)錯(cuò)的含義，并指導(dǎo)一步步排除報(bào)錯(cuò)、提供解決方案。

神策數(shù)據(jù)的產(chǎn)品主要是CDP（客戶數(shù)據(jù)平臺(tái)）領(lǐng)域的，和我們前面所提及的“BI”不是一個(gè)概念。不過(guò)在研習(xí)過(guò)程中發(fā)現(xiàn)它也利用大模型技術(shù)推出了神策分析 Copilot（另外還支持用于運(yùn)營(yíng)Copilot），同樣支持自然語(yǔ)言的交互，自助式地進(jìn)行數(shù)據(jù)分析與查詢，因此還是納入本文中。

從目前的Demo介紹來(lái)看，其支持的一些場(chǎng)景如下：

（1）智能分析：應(yīng)用大模型技術(shù)理解用戶問(wèn)題，自動(dòng)配置分析模型

以事件分析場(chǎng)景為例，在輸入框中用自然語(yǔ)言輸入要獲取的數(shù)據(jù)指標(biāo)，比如最近7天搜索點(diǎn)擊的用戶數(shù)，GPT 模型將自然語(yǔ)言轉(zhuǎn)化為請(qǐng)求查詢JSON 并發(fā)起查詢，并進(jìn)行圖形化展示。

在這里，神策團(tuán)隊(duì)采用了text-to-json而不是 text-to-SQL的模式，其考慮有二：一方面更容易理解，便于業(yè)務(wù)人員判斷查詢；另一方面更容易進(jìn)行人為干預(yù)，比如生成的査詢 JSON 不對(duì)，想換種計(jì)算方式或查詢條件看看指標(biāo)怎么樣，可快速調(diào)整。

其實(shí)現(xiàn)過(guò)程大致為：

• 首先，把schema（簡(jiǎn)單理解為是關(guān)于數(shù)據(jù)如何存儲(chǔ)、數(shù)據(jù)之間的關(guān)系以及數(shù)據(jù)應(yīng)該如何解釋的信息）傳給GPT，讓GPT理解數(shù)據(jù)的schema以及任務(wù)。考慮到存在長(zhǎng)度限制，需要優(yōu)化設(shè)計(jì)，從報(bào)表的上千個(gè)字段中篩選出進(jìn)入到 prompt的字段、以縮短prompt。

• 其次，篩選出來(lái)的 schema 會(huì)有很多的字段，字段多了也會(huì)影響 GPT 的正確率和精準(zhǔn)度，因此需要跟 GPT 進(jìn)行交互，讓它挑選出哪些字段與需求有關(guān)。

• 最后，通過(guò) GPT進(jìn)行 JSON 的生成。對(duì)于復(fù)雜的查詢，可以先讓它生成一個(gè)結(jié)構(gòu)，在這個(gè)結(jié)構(gòu)下再把內(nèi)容填充進(jìn)去。

（2）指標(biāo)搜索：自然語(yǔ)言查詢例行指標(biāo)

應(yīng)用大模型技術(shù)構(gòu)建指標(biāo)搜索能力，幫助業(yè)務(wù)人員快速定位到當(dāng)下關(guān)注的指標(biāo)和經(jīng)營(yíng)概覽，或深入探索特定業(yè)務(wù)的相關(guān)指標(biāo)。支持用戶口語(yǔ)化輸入，業(yè)務(wù)人員無(wú)需輸入專業(yè)術(shù)語(yǔ)或確切的指標(biāo)名稱，也能獲得相關(guān)的數(shù)據(jù)指標(biāo)。

例如在零售行業(yè)中，若用戶想知道近期的商品銷(xiāo)售數(shù)據(jù)，直接對(duì)Copilot 提問(wèn)“賣(mài)得最好的商品”，它便會(huì)推送“當(dāng)天 Top 商品”“熱門(mén)訪問(wèn)商品”“商品銷(xiāo)售數(shù)量”等指標(biāo)查詢結(jié)果，無(wú)需依賴分析師進(jìn)行查詢。

（3）數(shù)據(jù)門(mén)戶融合：數(shù)倉(cāng)對(duì)話插件

當(dāng)然啦，除了這些產(chǎn)品，其實(shí)還有很多其他的AI+BI實(shí)踐，但時(shí)間和精力有限，我們就不繼續(xù)拓展了。

就我本人所掌握的情況來(lái)看，包括但不限于以上提及的經(jīng)過(guò)大模型加持的AI+BI產(chǎn)品，大多都還處于Demo、內(nèi)部測(cè)試或小范圍試用的階段，部分進(jìn)行了推廣但基本上都尚未大規(guī)模商用。

相信隨著用戶反饋+持續(xù)優(yōu)化完善，再加上大模型能力的進(jìn)化，更加成熟、穩(wěn)定、可用的新版本產(chǎn)品將在今年內(nèi)到來(lái)。

SugarBI問(wèn)數(shù)上手初體驗(yàn)

上面所提到的產(chǎn)品大多沒(méi)有機(jī)會(huì)上手（例如內(nèi)部產(chǎn)品或仍在測(cè)試階段）體驗(yàn)，但總算在2月初申請(qǐng)到了百度SugarBI文心問(wèn)數(shù)的體驗(yàn)權(quán)限。

參照官方指引，基于示例數(shù)據(jù)，我進(jìn)行了簡(jiǎn)單的探索：

（1）數(shù)據(jù)模型準(zhǔn)備

在數(shù)據(jù)模型的設(shè)置頁(yè)面，可以選擇對(duì)應(yīng)的數(shù)據(jù)表并建立關(guān)系：

在編輯頁(yè)面可以將字段名稱設(shè)置為可讀性較高的中文別名：

對(duì)于原子指標(biāo)（度量），我們可以設(shè)置AI問(wèn)答的同義詞（也就是幫助大模型理解專業(yè)術(shù)語(yǔ)，可能用戶會(huì)有不同的問(wèn)法）作為其“知識(shí)庫(kù)”：

我們也可以新建度量（指標(biāo)加工），這就是常規(guī)的BI功能了：

對(duì)于AI問(wèn)答功能，需要開(kāi)啟并等待模型訓(xùn)練完成才能使用（不過(guò)我沒(méi)有權(quán)限）：

我們還可以配置AI問(wèn)答的推薦問(wèn)題，這個(gè)如果在ChatGPT中自定義過(guò)自己的GPTs的小伙伴應(yīng)該很熟悉：

然后我們就可以通過(guò)智能問(wèn)數(shù)Sugar Bot和系統(tǒng)進(jìn)行交互了：

當(dāng)我點(diǎn)擊上圖中的“需要結(jié)論”時(shí)，系統(tǒng)會(huì)自動(dòng)總結(jié)如下：

并且還能發(fā)現(xiàn)數(shù)據(jù)的不合理之處（確實(shí)如此）：

整體上來(lái)說(shuō)還是蠻有意思的，確實(shí)是一種全新的體驗(yàn)、并且是已經(jīng)實(shí)際落地到現(xiàn)有產(chǎn)品中了。感興趣的小伙伴可以自行申請(qǐng)?bào)w驗(yàn)。

值得注意的是，SugarBI有以下限制：

• 用戶提出的問(wèn)題字?jǐn)?shù)限制為 300 字（空格也算做有效字符）——我想這主要是出于性能與成本控制的考慮。通過(guò)限制用戶輸入的字?jǐn)?shù)，可以有效控制后端大模型處理請(qǐng)求的復(fù)雜度和資源消耗，同時(shí)鼓勵(lì)用戶提出更精煉、更具針對(duì)性的問(wèn)題，提高處理速度和響應(yīng)質(zhì)量。因?yàn)槌擞脩糨斎氲膯?wèn)題，如觀遠(yuǎn)數(shù)據(jù)所說(shuō)還需要給大模型傳數(shù)據(jù)schema，因此壓縮總的Prompt是必要的。
• 當(dāng)生成的圖表不符合預(yù)期時(shí)，可以點(diǎn)擊「重生生成」但最多可以點(diǎn)擊三次——為什么是3次？這個(gè)設(shè)計(jì)可能是為了防止用戶無(wú)限制地重新生成結(jié)果，從而導(dǎo)致資源浪費(fèi)和系統(tǒng)壓力。限制重生次數(shù)可以鼓勵(lì)用戶更加仔細(xì)地考慮和優(yōu)化他們的查詢，同時(shí)也是一種計(jì)算資源的管理策略。此外，這也可能是基于用戶行為的統(tǒng)計(jì)分析，認(rèn)為三次重試足以覆蓋大多數(shù)情況下的需求調(diào)整。
• 如果在大屏/報(bào)表編輯頁(yè)面中關(guān)閉智能問(wèn)數(shù)頁(yè)面，Sugar BI將會(huì)清空之前會(huì)話的全部?jī)?nèi)容——這一限制可能是出于數(shù)據(jù)安全和隱私保護(hù)的考慮。自動(dòng)清空會(huì)話內(nèi)容可以防止敏感數(shù)據(jù)殘留在系統(tǒng)中，尤其是在多用戶環(huán)境下。此外，這也有助于保持系統(tǒng)的高效運(yùn)行，避免不必要的數(shù)據(jù)積累影響性能。
  

思考與延伸

在前面的研習(xí)內(nèi)容中，我們主要關(guān)注支持自然語(yǔ)言交互模式下的BI數(shù)據(jù)查詢、分析和可視化呈現(xiàn)。實(shí)際上，在從問(wèn)題定義、數(shù)據(jù)接入、處理、可視化展示、交互分析到?jīng)Q策行動(dòng)的BI數(shù)據(jù)分析全鏈路中，AI大語(yǔ)言模型都有結(jié)合的機(jī)會(huì)。

（1）問(wèn)題定義：明確業(yè)務(wù)問(wèn)題和目標(biāo)。

• 問(wèn)題: 確定分析的焦點(diǎn)，如提升銷(xiāo)售額、優(yōu)化庫(kù)存等。
• AI賦能: 使用AI模型生成初步的數(shù)據(jù)分析和決策計(jì)劃草案，再人工校對(duì)修改，以確保方向和目標(biāo)的準(zhǔn)確性。

（2）數(shù)據(jù)接入：確定和接入數(shù)據(jù)源。

• 問(wèn)題: 如何高效處理和分析非結(jié)構(gòu)化數(shù)據(jù)。
• AI賦能: 利用AI技術(shù)直接分析非結(jié)構(gòu)化數(shù)據(jù)，減少傳統(tǒng)的數(shù)據(jù)清洗步驟，加快從數(shù)據(jù)到洞察的過(guò)程。

（3）數(shù)據(jù)處理：數(shù)據(jù)的清洗、轉(zhuǎn)換和加載（ETL）。

• 問(wèn)題: 簡(jiǎn)化ETL開(kāi)發(fā)過(guò)程，提高數(shù)據(jù)處理效率。
• AI賦能: 通過(guò)自然語(yǔ)言交互生成ETL任務(wù)和代碼，輔助數(shù)據(jù)處理，實(shí)現(xiàn)多輪交互式構(gòu)建，提升數(shù)據(jù)處理的靈活性和準(zhǔn)確性。

（4）可視化展現(xiàn)：將數(shù)據(jù)轉(zhuǎn)化為易于理解的視覺(jué)形式。

• 問(wèn)題: 快速響應(yīng)業(yè)務(wù)問(wèn)題，提供直觀的數(shù)據(jù)結(jié)果和結(jié)論。
• AI賦能: 自動(dòng)根據(jù)問(wèn)題生成SQL、JSON，利用AI生成文字結(jié)論、可視化圖表和行動(dòng)建議，實(shí)現(xiàn)問(wèn)答式BI。

（5）交互分析：深入分析數(shù)據(jù)，生成深度分析報(bào)告。

• 問(wèn)題: 如何自動(dòng)化深度分析報(bào)告的生成，提供可信的業(yè)務(wù)分析。
• AI賦能: 基于BI系統(tǒng)能力，結(jié)合企業(yè)內(nèi)部數(shù)據(jù)源和AI生成的數(shù)據(jù)指標(biāo)，自動(dòng)識(shí)別異常原因并用自然語(yǔ)言展示，減少認(rèn)知偏差（例如波動(dòng)分析、異常分析和預(yù)警）。

（6）決策行動(dòng)：基于分析結(jié)果，提供決策支持。

• 問(wèn)題: 如何基于數(shù)據(jù)分析提供具體的未來(lái)行動(dòng)建議。
• AI賦能: 提供輔助性預(yù)測(cè)和基于歷史數(shù)據(jù)的推薦建議，支持?jǐn)?shù)據(jù)驅(qū)動(dòng)的決策過(guò)程。

注：

• CoT即思維鏈（Chain-of-thought），模仿了一個(gè)逐步思考的過(guò)程來(lái)得出答案。

• TOT即Tree-of-thoughts，CoT通常只有一條解決問(wèn)題的路徑，ToT等于是CoT的一個(gè)拓展，把一條reasoning路徑拓展至多條reasong paths，這樣模型可以綜合多條reasoning path的結(jié)果得到最終的結(jié)論。

• ReAct：即Reason和Action，Reason生成分析步驟，Action生成工具調(diào)用請(qǐng)求。是目前最常見(jiàn)和通用的增強(qiáng)式語(yǔ)言模型（Augmented LM)范式，它啟發(fā)于傳統(tǒng)強(qiáng)化學(xué)習(xí)，通過(guò)提示詞構(gòu)造“想法”（Thought），“行動(dòng)”（Action），“觀察”（Observation）的思維鏈， 逐步啟發(fā)大語(yǔ)言模型根據(jù)當(dāng)前工具的輸出產(chǎn)生觀察，從而進(jìn)一步產(chǎn)生下次推理。這種范式被廣泛應(yīng)用在近期爆火的 Auto-GPT 和 LangChain 等項(xiàng)目中。

• ReWOO 即Reasoning WithOut Observation，通過(guò)模塊化解耦（Decouple）大語(yǔ)言模型的“預(yù)見(jiàn)性推理”(Foreseeable Reasoning) 和工具的執(zhí)行，從而實(shí)現(xiàn)在HotpotQA等任務(wù)上數(shù)倍的詞元效率(Token Efficiency)， 并且提高了模型表現(xiàn)以及復(fù)雜環(huán)境下的魯棒性。在ReAct中， 指令微調(diào)不可避免的會(huì)導(dǎo)致小模型“背住”訓(xùn)練集中的工具輸出。然而，ReWOO由于將顯式的工具輸出跟模型的推理步驟分離， 可以因此借由指令微調(diào)使其學(xué)會(huì)具有泛化性的“預(yù)見(jiàn)性推理”能力。

• DAL我沒(méi)有查到，我估計(jì)應(yīng)該是DSL，即將自然語(yǔ)言轉(zhuǎn)化為特定領(lǐng)域的語(yǔ)言（Domain-Specific Language），也就是我們前面提到的text-to-code。

• KG即知識(shí)圖譜，在上一篇文章中正好進(jìn)行了比較深入的研習(xí)。

AI+BI的融合為商業(yè)智能領(lǐng)域帶來(lái)了前所未有的機(jī)遇，通過(guò)大語(yǔ)言模型的應(yīng)用，可以極大地提升數(shù)據(jù)分析的效率、深度和準(zhǔn)確性，同時(shí)改善用戶體驗(yàn)。

作為AI產(chǎn)品經(jīng)理，理解并把握AI技術(shù)在BI產(chǎn)品中的應(yīng)用，不僅需要技術(shù)和業(yè)務(wù)的深入理解，還需要持續(xù)的創(chuàng)新和優(yōu)化。通過(guò)有效地結(jié)合AI和BI，我們可以更好地解鎖數(shù)據(jù)的潛力，支持?jǐn)?shù)據(jù)驅(qū)動(dòng)的決策，推動(dòng)企業(yè)的智能化轉(zhuǎn)型。

以上，就是關(guān)于AI大語(yǔ)言模型在BI領(lǐng)域的應(yīng)用研習(xí)分享。

本期到此結(jié)束。

再見(jiàn)