导语:大模型爆火之后,很多企业也用大模型做了相关探索和实践,我们发现大模型解决单点问题时效果更好。但同时会产生安全、幻想等相关问题。今天从传统数据分析的痛点,到大模型智能分析的建设方式,并结合相关实践案例,分析AI Agent在智能分析领域的价值与实践。 分享嘉宾|李飞(博士),数势科技AI负责人 内容已做精简,如需获取专家完整版视频实录和课件,请评论区或私信联系我们,为您发送完整内容。 01 传统数据分析的三大痛点 那么,在与Agent能力结合前,传统的数据分析方式存在哪些问题?首先是管理团队之痛,现有的数据产品无法端到端快速产出深度结论。 在团队管理中,大多企业都有经营驾驶舱,由BI或经营分析团队运维使用。但事实上,当管理团队提出对数据的诉求与本质的洞察,并不单纯只想得到数据的呈现和可视化,更希望得知变化背后的原因,然后采取一系列决策手段。如果通过以往的任务下发链路,需求响应速度往往较长,要先把需求告知分析团队,若数据有缺失,再提给数据团队,当结果返回给管理团队时,往往会带来决策滞后性,影响实时决策。 其次是业务团队之痛,BI产品学习门槛高,数据解读靠人工。 BI 人员是企业内部的宝贵资产。复杂 BI 的学习难度相对较高,业务人员需要非常熟悉什么指标对应哪个数据集、使用什么聚合函数、什么过滤条件等等。而且现在的 BI 产品为了做到足够灵活,功能很复杂,一个产品有几十,甚至上百种功能,若没有经历过完整的培训,就不知道这些功能到底隐藏在哪。BI 产品功能隐藏在水下,使用难度也较高,更多还是通过 BI 产品做数据呈现,对于数据结论的生成,还需要人为地做总结。其实在于最后一公里的问题上,并没有一个很好的解决方式。 另外,数据团队的也有难点痛点,业务需求复杂且跨部门的数据指标口径不统一,很难保证实时响应业务需求变化。 数据团队在面对数仓做很多表的情况下,会遇到某些口