李飞-AI 引领的企业级智能分析架构演进与行业实践.pdf

《李飞-AI 引领的企业级智能分析架构演进与行业实践.pdf》由会员分享，可在线阅读，更多相关《李飞-AI 引领的企业级智能分析架构演进与行业实践.pdf（36页珍藏版）》请在三个皮匠报告上搜索。

1、李飞公司概况部分代表客户投资机构数势科技为企业提供基于大模型增强的数据分析 AI Agent，提升企业的数字化决策能力，推动企业数字化升级。2020年，由原京东技术副总裁黎科峰博士创立 行业首个商业化落地的数据分析智能体SwiftAgent 在金融、零售、先进制造领域有深度技术和业务know-how目录企业数字化建设进度不一，大致分为以下三类数据仓库BI系统指标平台现状：1.少部分企业仍处在数仓建设阶段，主要原因是数据之殇。2.BI和看板已在大部分的企业落地，ROI仍有待估算。3.部分企业基于业务场景搭建企业级指标平台。疑问：企业应该基于哪一层建立大模型数据分析？原始数据（Raw Data)分

2、析结论现状：1.每个技能都分布在不同的角色或平台系统上；2.分析结论需要经过很多环节。疑问：如何做分析能力的整合，以及沉睡技能的唤醒？搜索推荐LLM内容的偏好推荐内容的检索过滤打破信息茧房人工过滤信息信息茧房推动物理环境变化的手段TOOL决策和思考的信息来源内容0102硬编码图形化自然语言通过SQL或python代码编写进行数据分析和洞察，但是需要研发角色和需求响应时长。代码分析到低代码的BI演进是因为“10”倍门槛的降低和“10”倍效率的提升，如果BI到LLM分析没有“10”倍的差距，就毫无意义通过图形化设计和拖拉拽操作满足业务需求，但是为了满足灵活的需求，设计及其复杂。通过自然语言快速满足

3、业务需求，但是仅仅有可描述性的数据查询提效不明显。通过调动注意力来分析和解决问题，并作出决定，它比较慢，不容易出错依赖情感、记忆和经验迅速作出判断，它见闻广博，使我们能够迅速对眼前的情况作出反应思考的”快”思考的”慢”数据Agent提出任务数据查询数据报表异动分析数据报告给出行动数据源利用大模型Agent能力，显著降本增效（大模型）（秒级响应）门槛低简单交互，人人都是数据分析师效率高数据查询，报告分析任务秒级响应能力厚归因分析、异动分析、报告总结传统数据分析路径长，存在明显人力瓶颈老板任务数据+BI工程开发数据查询运营任务数据+BI人工绘制数据报表产品任务数据+BI人工梳理异动分析临时需求数据

4、+BI人工总结数据报告（人力瓶颈）（产出缓慢）门槛高商业分析，需借助研发与BI协助效率低需求响应数小时，决策不及时能力薄只能查数，分析需要人工交互性弱以数据查询与看板展示为主交互性强多轮追问、歧义反问，有理有据系统执行1.编排和固定工作流的划分，让稳的更稳，创新的更创新；2.工具的多样性是核心；3.针对数据分析结果的反思需要建立一套专属评估标准。用户请求数据对象逻辑对象预处理对象召回对象编排检索生成多步思考解码策略DSL生成LLM投票策略错误修改一致性检查后处理重排序描述口径关系1.数据模型和业务场景相关，降低大模型关联的错误性。2.字段冗余存储，降低选择的错误性3.减少文本生成长度，降低时间

5、复杂度和错误传递。4.查询语句提前优化，减少慢SQL生成的概率在企业实际落地中，我们认为广义语义层要包括数据语义，加速语义和权限语义的定义对象语义1加速语义2权限语义3逻辑对象语义数据对象语义帮我看一下上个月的GMV，按照不同城市进行排序数据对象语义：作为一个对象，在代码执行时会根据定义去查询，不需要翻译条件和表达式，减少出错的机会；逻辑表达语义：依靠SQL进行逻辑翻译，避免API开发带来的不灵活和效率低下；示例：查询加速：基于ROI优化OLAP引擎的查询路径，提升查询计算性能；自适应性：用户无感知，并基于用户提问智能识别出需要迭代加速的场景实现效果：在跨底层模型join多指标查询时，查询速度

6、比原始sql提升1-2个数量级，对比标准SQL查询速度，提升5-20倍，实现亚秒级查询体验用户的个人标签记忆，例如角色，行业，业务目标和关注场景等。会话记忆考虑用户的所有对话，生成可捕获更广泛跨会话的整体记忆。轮次记忆中的每轮对话都是独立增强的，重点关注各个轮次的细粒度内容010203角色记忆会话记忆轮次记忆结构化记忆”卖了多少“:”销售额”,”上分”:”上海分行”,”质量问题”发热，易碎”.非结构化记忆会话偏好记忆：“用户查销售金额时候，喜欢使用饼状图进行对比。用户想要查的公司一般指上海银行。用户做比较的时候，也喜欢把北京分公司的对比加上”。用户输入：2024年6月份，我的公司公募基金销售金