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
4月11日,Kyligence 2024 数智论坛暨春季发布会成功召开。Kyligence 正式发布全新的企业级 AI 解决方案,基于服务金融、零售、制造、医药等行业领先客户的落地实践,Kyligence 为企业提供准确、可靠、智能的 AI + 指标平台一站式解决方案,以行业领先的技术和稳定可靠的产品助力更多客户在数智化浪潮中掌握先机。来自德勤和 Kyligence 的多位嘉宾分享了 Data + AI 现阶段在企业场景中落地的痛点,并带来 AI + 指标平台在金融、零售、制造、医药等行落地的最新成果,吸引了众多观众的参会与热烈讨论。 准确、可靠的 AI,Kyligence AI 解决方案正式发布 随着大模型的迅速发展,企业逐渐从聚焦技术转向关注应用,迫切需要将 AI 结合业务落地,在市场竞争中抢占先机。Kyligence 联合创始人兼 CTO 李扬提到,2023年 Kyligence 产品全面集成 AI 能力,推出了智能一站式指标平台 Kyligence Zen 和 AI 数智助理 Kyligence Copilot,为企业使用数据带来了革新体验,并已率先在金融、零售、制造、医药等客户的真实场景中落地。 基于技术沉淀、创新产品和实践经验,Kyligence 正式发布了 AI 解决方案,将为企业级客户提供准确、可靠的 Data + AI 落地应用,通过对接企业已有的数据源,智能一站式指标平台将帮助企业实现统一的数据语言和目标管理,以及服务型的数据治理;其配备的 AI 数智助理将进一步降低业务用户使用数据的门槛,助力业务人员进行快速、准确的决策,为业务创新提供数据支持;此外,Kyligence 独具技术优势的企业级 OLAP 平台更将为企业大规模使用数据、推广 AI 应用提供坚实的技术底座。 在本次演讲中,Kyligence CTO 李扬还分享了 Kyligence