当大模型遇见数据, 一场重构企业智能 DNA 的技术变革正在悄然发生。当 AI 越来越智能, 企业有望将部分数据治理工作交给 AI, 降低“好数据”的生产成本; 而 LLM 大模型的普及, 则预示着“人人都是数据消费者”的智能 BI 时代, 爆发拐点已至。
在 AI 与 Data 紧密结合的时代, 企业如何通过 AI, 减轻数据治理负担? 如何将 BI 工具创新, 应用于业务实践?
3 月 7 日, 瓴羊「数据荟」MeetUp 城市行上海场活动在阿里巴巴上海徐汇滨江园区圆满落幕。本次活动以“AI x Data—— 大模型时代的数据治理与 BI 创新应用”为主题, 云集多位技术大咖, 通过实战案例与前沿思辨, 深度解码重构企业智能基因的实战路径。
AI 大模型时代, 数据治理与智能 BI 发生新变
中国信通院华东分院数据事业部主任崔晓君指出, 人工智能正从“以模型为中心”, 逐步向“以数据为中心”转变, 数据成为 AI 时代的核心生产要素。在政策支持下, 人工智能与数据要素的顶层设计日趋完善, 并进入落地实施阶段。国家数据局的成立, 进一步优化了数据要素的统筹管理和协调发展机制。如今, 随着数据治理与人工智能技术的创新发展, 二者正以高度协同的方式相互促进。
图:AI 时代数据发展新背景
然而,AI 也带来了更高的数据质量要求、更复杂的安全与隐私风险, 更加显著的偏见与歧视等挑战。大模型与数据治理的结合, 正在为这些问题提供解决方案。借助 AI 的自然语言理解与生成能力, 用户能够以自然语言方式与数据交互, 实现数据治理升级, 并最终呈现出以下三大趋势: 高效的数据治理框架、数据安全与合规, 以及数据质量管理与提升。同时,BI 分析在企业决策中的价值愈发凸显, 它可以将数据转化为有价值的信息, 降低决策盲目性。企业需要考虑将 AI 与 BI 相结合, 通过 AI 增强分析, 真正让数据支撑决策、优化业务流程内容, 支撑大模型在企业的落地与应用。
图: 中国信通院华东分院数据事业部主任崔晓君现场分享
阿里云智能瓴羊高级技术专家刘少伟指出, 自 2010 年传统 BI 发展至今, 行业正从敏捷 BI 迈向智能 BI, 未来有望借助大模型实现数据民主化, 让“人人都是数据消费者”。凭借智能化和开放性的优势,Quick BI 连续 5 年入选 Gartner ABI 魔力象限, 并成为国内唯一入选该象限的产品。
企业级智能 BI 并非简单结合 BI 工具与大模型, 而是融合 BI 工具、大语言模型与企业私域数据的“三位一体”模式。其主要沿三个方向演进: 智能助理 (Copilot)、智能问数 (ChatBI) 和洞察分析 (Insight)。
图: 企业级智能 BI 分析的三位一体
以 Quick BI 智能问数为例, 在应用自然语言处理技术时,Quick BI 选择了更适合契合企业级场景的 Text2DSL, 而非适用于个人或小型团队的 Text2SQL。这一过程中,Quick BI 还调用了大量丰富的算子和函数, 既能让增强 SQL 更简洁高效, 又能支持各类复杂分析。其落地产品「智能小 Q」具备智能搭建与智能问数两大能力, 支持一键生成报表、美化及批量配置, 能够让用户通过自然语言交互快速获取数据, 同时还具备智能洞察能力, 可以帮助用户快速生成报表摘要, 自动检测异常, 并进行归因诊断, 快速发现数据问题和原因。
值得注意的是, 智能小 Q 在官方智能体能力基础上, 还支持接入 Dify / 百炼上其他企业模型, 用户可按需自定义智能体, 该智能体可以方便地复用 Quick BI 的多种基座能力, 如权限管控、可视化交互、查询引擎等, 搭建出来的智能体能针对性地根据企业使用场景进行洞察分析。
图: 阿里云智能瓴羊高级技术专家刘少伟现场分享
阿里云智能瓴羊高级技术专家周鑫指出, 针对数据治理缺乏核心抓手、流程相对复杂、工具支撑不足、难以持续治理等痛点, 瓴羊提出体系化、可落地的数据治理方法论: 以业务模型为起点, 梳理数据标准; 基于数据标准, 落地开发规范; 通过标准化手段, 实现自动化质量监控与安全分类; 最终构建技术与业务统一语言, 助力消费场景的落地。
图: 瓴羊数据治理方法论
不论是资产运营、元数据管理、智能问数场景, 还是数据发现、治理与评估环节,AI 均可参与其中, 实现提效提速。例如, 在智能找数场景, 瓴羊 Dataphin「智能小 D」可充当数据 PD, 快速定位所需数据; 在元数据自动补全场景, 可自动生成并归类字段名称、描述及口径; 在智能数据识别场景, 可自动识别敏感数据, 无需人工编写。随着 AI 技术的发展, 数据治理将从提效阶段, 走向自动化、智能化, 对数据治理的执行效果施加更大影响力。
图: 阿里云智能瓴羊高级技术专家周鑫现场分享
从数据架构到 Agent 智能体, 瓴羊加速 AI + 数据企业侧落地实践
阿里云智能瓴羊高级技术专家江岚指出, 在面对数据架构问题时, 客户需求各不相同: 数据生产者或研发人员希望提高研发效率; 数据消费者或使用者则希望简化数据获取流程; 管理者则关注降低管理和研发成本。当前,Lakehouse 与 Fabric 是市面常见的数据架构: 前者的核心优势在于“存算分离”, 即存储和计算可以独立选择, 提供更大的灵活性; 后者的核心理念是“数据不动, 计算动”, 更加注重数据的流动性与连接性。
结合两者的优势, 瓴羊提出了多引擎、多云、多组织的现代数据架构 ——One Catalog。该架构支持统一的资产目录, 覆盖数据资产的开发、治理、运营与消费等各个场景。存算分离和数据虚拟化等技术, 进一步增强了架构的灵活性, 提高了数据操作的便捷性与流畅度。
图: 瓴羊现代数据架构 ——One Catalog
作为 One Catalog 的落地产品, 瓴羊 Dataphin 平台实现了对数据入湖、计算、消费整个生命周期的全面覆盖。其不仅支持多湖、多云、多引擎以及多模式的灵活入湖, 还建立了全链路资产血缘, 便于降低用户计算配置成本。在跨源分析、全渠道消费场景,Dataphin 平台还保持了一致的管控能力, 确保不同消费者都能获得一致的消费体验。
图: 阿里云智能瓴羊高级技术专家江岚现场分享
阿里云智能瓴羊副总裁甄日新指出, 瓴羊致力于将阿里巴巴沉淀十余年的数字化服务经验, 系统化、产品化地全面对外输出给千行百业。在数据分析场景, 历经 Copilot 到 BOT 到 aAent 演进,Quick Bl 智能小 Q 已具备全栈 Al 分析能力。在数字服务场景, 瓴羊通过 Quick BI 自训模型与 API 接入, 形成了功能丰富的智能体, 保障了准确度与体验的双重提升, 解决了知识库管理等周边工程问题。目前, 瓴羊智能客服 Quick Service 也通过丰富的 AI 应用, 大幅提升了用户交互体验。此外, 瓴羊还将 AI 应用于数字营销领域, 搭建了成熟的 CDP (用户画像引擎)+MA (自动营销引擎) 套件, 并在其中逐步融入 AI 元素, 利用多 Agent 的智能体组合, 解决复杂的营销问题。
图: 阿里云智能瓴羊副总裁甄日新现场分享
面向未来, 智能体将经历从“短任务”到“长任务”的转变,OpenAI Deepresearch、Manus 让人们看到了用多智能体解决“长任务”的可能性; 未来企业级 Agent 体系, 也呈现出向“长任务”演进的核心依赖趋势, 其突破口在于数据、意图识别和决策、Action 三个层面。基于此, 瓴羊也将依托核心服务, 面向未来的企业级 Agent 体系, 打造个性化 Agents 和数字员工, 让业务人员在真实场景中, 感知到数字员工的提效作用。可以预见, 每一个企业未来都会有专属的智能体中心。基于智能体搭建的平台, 瓴羊可以调用集成数据能力, 面向业务需求定制化生成数字员工, 比如销售助理、供应链分析师等等。而这一天来临的速度, 取决于基础模型的演进程度、厂商的精准度提升以及企业的“想象力”, 智能体才能真正走向“生产级”的应用。
图: 瓴羊面向未来的企业级 Agent 体系
随着 AI 技术的持续演进, 数据治理、BI 应用、客户服务、智能营销等场景正从“辅助决策”向“主动智能”转变。瓴羊将深度融合 AI 与数据能力, 探索 AI+BI 创新应用, 帮助千行百业在智能化浪潮中抢占先机, 实现更高效的数据加工和消费模式。
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。