BI分析市场趋势
基于自然语言的分析是当前行业的主流研究方向,重构BI产品的人机交互模式。Gartner技术发展成熟度曲线显示,自然语言处理与理解、检索增强、代码生成与自动化、智能推理与预测等技术将在两到五年内达到成熟,加速BI向智能演化。
BI和LLM的结合点
1. 具体的业务问题与LLM的能力
- 自然语言处理与理解:用户可用自然语言查询和分析数据,降低学习曲线,处理非结构化数据提取价值信息。
- 检索增强:结合RAG提升检索精准度,从知识库中定位信息,减少幻觉,提升准确性。
- 代码生成与自动化:通过自然语言指令生成SQL、Python代码,实现复杂数据分析任务。
- 智能推理与预测:基于现有数据推理和预测,识别异常点、趋势及潜在问题。
2. 你的期望
业界期望LLM能理解业务问题query,输出下滑原因,通过自然语言生成查询代码,获取结果并总结。
3. 想象中BI和LLM的结合
- 准确性问题:LLM可能因训练数据不足导致对复杂业务数据的理解偏差,引发误解或错误解释。
- 上下文多轮对话问题:保持对话连贯性和相关性,理解用户意图,对交互体验要求极高。
- 系统交互体验:需将业务系统逻辑迁移到对话系统,适配成本高,开发量大。
主流BI+LLM的产品形态
- Tableau、Power BI:
- 形态特征:Copilot以副驾驶形式接入BI平台,定位为AI助手。
- 主要问题:基于自然语言提问需用户具备数据基础,问题推荐仍需较高成本。
更合理的结合形态:融入当前BI流程处理单点问题,包括:
- Text2SQL能力:通过自然语言提问进行数据操作、分析和可视化。
- AI出图能力:模型自动分类字段,选择可视化组件,降低用户配置成本。
- AI数据解读:独立产品形态探索中,画布式可分支,基于推荐引导。
ABI产品架构
- 开放一体化产品架构:Agent及Copilot框架可快速接入各数据平台。
- 应用端:统一后端服务,API层提供交互接口,Agent编排层组合任务,Agent层调用公共服务。
- 公共服务层:依托现有服务原子能力接口,为后端和Agent层提供公共能力。
附录