樊帆-分析型BI+AI 产品创新探索presentation 新

樊帆／腾讯产品及增长负责人 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定义的技术发展成熟度曲线用来展示和衡量技术从萌芽到成熟的发展阶段。曲线中被红虚线圈住的这部分是日前临近或者处于期望影胀期的技术，里面有很多是跟A!相关的，比如NLQ、NLG、增强分析、可解释的人工智能、数据叙事等等。这些技术到达成熟的预期时间都是两到五年内，它们的出现加快了敏捷日向智能演化的速度。 BI和LLM的结合点 1个具体的业务问题 LLM的能力 假如你是腾讯视频负责首页底部Feed流的产品经历 自然语言处理与理解： 1.大模型的自然语言处理能力使用户能够用自己熟恶的语言来查询和分析故据，大大降低了数括分析的学习曲线，使非技术用户也能轻松上手2.大模型能够处理和分析非结构化故据，如落户评价和媒体内客，从而提取出有价值的信息和洞亲，为企业提供全面的数据视角。 检索增强： 具体的业务问题 大模型与RAG结合可以让检案的效果更加强大，能更精准地从大型知识库中投到和定位相关信息，同时在生成过程中也可以更好地意用知识库的信息，减少幻觉、提升准价性。 eg.腾讯视频首页Feed流中内容的点击量大幅下滑是什么原因？ 代码生成与自动化： 大模型还能够通过自然语言指令生成SQL，Python等编程语言的代码，使得即使是没有编程育景的用户也能够完成意杂的数据分析任务。 智能推理与预测： 大模型可基于现有故据进行推理和预测。它可以帮助用户识别数据中的异常点趋势以及潜在的问题和机会。 你的期望 业界对LLM的期望 输入业务问题query输出下滑的原因 LLM理解用户基于自然语言query提出的问题，找到对应的表/指标，生成对应的查询SQL或Pyhton，获取结果并总结.. 想象中BI和LLM的结合 ★准确性问题： 主于山M主要通过训练数学习，如果训练数据不包含足够的行业特定知识或上下文信惠，模型可能难以准确理解复禁的业务数据。因比，LLM可能在理释复杂数括集，特定行业术语或上下文中的妊适差别方面存在排战，这可能导致数据分析结是的误解或错误解释，同时大模型的的偿问题也带来了极大的误差。 最直接的产品形态 完全基于对话的数据分析平台 上下文多轮对话问题： 即天机至人需要在对话中保持上下文的连贯性和相关性，理解用户的意和情恶，对对话系效只有极大的排展。 系统交互体验： 业务系统的特殊逻辑（权限、多系统间的交互逻辑等）需垂迁移到对话系统中，如需确保产品能够提供自然、流杨的交互体验，需要极大的适配成本及相应的开发量、 主流BI+LLm的产品形态 Tableau PowerBl 基本形态特征 主要问题 Copilot形态与Bl本身脱离； Copilot形态：以副驾驶的形式接入BI平台，定位为Al助手； 基于自然语言提问需要用户有数据底子，了解如何分析；问题推荐一定程度降低用户提问成本，但整体成本依然较高 NL方式：基于自然语言提问的方式进行数据操作、数据分析、数据可视化等操作 更合理的结合形态：融入当前BI流程处理单点问题 Text25QL能力展示 Text2拖拽分析能力展示 AI出图能力演示 模型自动分类字段，填充显示名选择合适的可视化组件呈现，降低用户配置和选择组件的成本 AI数据解读 独立产品可能的产品形态【探索中】 画布式形态可分支 基于推荐引导 可以但无法很好回答业务上的whyeg.腾讯视频昨天的DAU为什么下跌 距离业务上的"how"则有更远的距离g.如何让腰讯视频的DAU提升 ABI产品架构 开放的一体化产品架构：Agent及Copilot产品框架可快速接入各数据平台 ABI应用端 统一后端服务 API层：和应用端进行交互，提供初始信息加载、通用对话能力和历史信息上传等接口。 Agent编排层：组合不同的任务与Agent实现分析能力，并实现Agent路由功能。 Agent层 调用公共服务的公共原子能力，由编排底座的任务编排模块组成不同的Agent。 所有Agent统一到同一个服务中 公共服务层 依托现有的各服务原子能力接口汇总。 为后端服务层与Agent层提供公共原子能力。 附录：BI产品架构 附录：客户实践