AI改变数据管理理念
AI时代，数据应用的思路正在改变，从传统的手动分析转向AI主动洞察与决策预测。2028年，33%的企业将采用AI-powered analytics进行决策，而2024年这一比例尚不足1%。传统数据分析流程（如保险产品开发）涉及手动提取数据、运行脚本并生成报告，依赖个人经验制定策略；而Agentic Analytics则通过AI Agent自动连接数据湖、生成预测并提供建议，实现半自主或自主决策。
数据平台厂商演进路线
海外数据平台厂商如Snowflake、Mosaic AI等，通过引入AI Agent（如Snowflake Cortex）和工具（如VectorSearch、DataAgents）提升数据管理智能化。Mosaic AI专注于Agent平台建设，提供Agent Framework、Evaluation、Playground等模块；Snowflake通过Cortex、ML等AI套件实现数据理解、任务规划和执行。
腾讯内部Data+AI实践
启动：构建人与AI理解的数据资产体系
腾讯通过领域模型建立业务需求、行业知识、数据结构之间的资产纽带，确保资产可被AI理解。重点包括：
- 资产运营&效率工具：通过特征资产运营、数据工程Agent等提升效率。
- 治理建议：特征资产运营根据ROI迭代优选，数据工程Agent自动解析和沉淀治理评价。
建设：多Agent协同沉淀资产
采用多智能体架构，将Job分解为Task，AI与人协同完成，覆盖从需求到交付的全链路。关键节点包括：
- 用户需求：通过大模型生成SQL，多轮对话修订需求。
- 资产召回与沉淀：SQL校验、知识图谱搜索、需求改写等。
- 数据工程Agent：主动治理开发过程，沉淀治理评价。
运营：分层运营与主动治理
通过需求规范、库表资产优化、湖仓一体平台等手段，实现分层运营和主动治理：
- 需求规范：定义需求格式、分类和质量识别。
- 库表资产：完善元数据管理，优化计算效率。
- 特征资产：通过增删改查和相似度识别优化匹配准确率。
腾讯云Data+AI方案
数据分析Agent
当前问题：用数门槛高、问数准确率低。解决方案：
- 降低用数门槛：通过自然语言转SQL能力提升用数覆盖范围。
- 提高问数准确率：通过数据解读、波动归因能力提升数据价值挖掘效率。
数据工程Agent
当前问题：开发人员水平不一致、规范约束力弱、分类分级难度大。解决方案：
- 提升开发质量：通过智能知识库、代码辅助提升规范执行力。
- 数据分类分级：基于AI技术提供高效稳定的数据安全识别和风险监测。
OneOps一体化
当前问题：数据安全问题、资产不完整、交互效率低。解决方案：
- OneOps平台：实现DataOps、MLOps、AIOps一体化工作流。
- 统一元数据服务：解决数据安全、效率和资产管理痛点。
多模态统一元数据
当前问题：多模态数据分散孤岛化、AI模型应用落地障碍。解决方案：
- 大数据智能管家：实现多模态数据统一管理和AI模型通信标准化。
大数据智能管家
当前问题：运维门槛高、预警信息繁杂。解决方案：
- 降低运维门槛：通过智能化预警和根因分析提升运维效率。
未来展望
技术回归本质，AI成为数据管理团队的智能伙伴，实现全域数据入湖和多模态数据融合。
