AI+BI是大模型在(zai)企業落地價值最(zui)高的場景。為了深(shen)入探討 AI 技(ji)術如何賦能 BI 系統，提升數據處理、分析和決策的智(zhi)能化與自動化水平(ping)，我們精心打造(zao)了 DataFunSummit2025：AI + BI 智能(neng)驅動(dong)峰會(hui)。它(ta)是國內(nei)首個聚焦 AI + BI 領域的(de)(de)專(zhuan)業(ye)技術(shu)會議。作為(wei)數據(ju)智能領域的(de)(de)專(zhuan)業(ye)社區，我們深知技術(shu)和(he)實踐對(dui)于企(qi)業(ye)發(fa)展的(de)(de)關鍵(jian)作用，因此在會議內(nei)容的(de)(de)策(ce)劃上(shang)，力求豐富多元(yuan)，覆蓋前沿技術(shu)、行業(ye)趨勢以及最佳(jia)實踐的(de)(de)深度(du)解析。

這場會的核心價值主張：一場會，解決企業落地AI+BI的全部問題！

上午場 09：00-12：00

主論壇：BI 3.0：AI+BI引領商業智能革命

主論(lun)壇內容介紹：

魏博文   阿里云智能集團資深產品解決方案總監，大數據和人工智能平臺解決方案負責人

演講題目：數據(ju)+模型驅動AI Native應用發展

演講大綱：

1. 今年是AI Agent元年，企業在AI落地時(shi)候(hou)遇(yu)到的挑戰該如何應

2. 最大(da)的(de)挑戰還是集(ji)中在多模態數(shu)據處(chu)理和低(di)成本構(gou)建應用(yong)

3. 阿里云提供了端(duan)到端(duan)大數據AI一(yi)體化方案

聽眾收益：

1. 端到端的AI Native應用（AI Agent）落地

2. AI+BI在企業的提(ti)效方案

落地挑(tiao)戰和(he)方案(an)亮點:

阿里(li)云在(zai)中國乃(nai)至國際(ji)市場頭部(bu)客戶(hu)落地案(an)例分享和(he)企(qi)業(ye)最佳實(shi)踐

朱濱 馬上消費金(jin)融(rong)技術專(zhuan)家，AIBI項目負責人

個人(ren)介(jie)紹：深耕企業級軟件研發20年，曾在國內外多家企業級IT軟件服務商、SaaS服務商工作，參與過ERP、CRM/SCRM、aPaaS、BI等多個產品項目。

演講(jiang)題(ti)目：AIBI在(zai)馬上(shang)消金場景中的應用(yong)實踐探(tan)索

演講(jiang)(jiang)介紹&演講(jiang)(jiang)提(ti)綱：

一. 背景介紹(shao)

  1. 傳統BI在(zai)業務數據分析價(jia)值(zhi)落地的(de)挑戰

  2. AI為增強(qiang)分析在企業的全面落地提(ti)供可(ke)能(neng)性

二. AIBI的技術體系建設(she)

  1. 基于指標中臺+輕量(liang)BI+AIBI的(de)產品體(ti)系

  2. 技術路線選擇(ze)

  3. AIBI功(gong)能架(jia)構、業務能力架(jia)構

  4. 評測體系的構建

三. AIBI應用場景(jing)探索

  1. 業務(wu)落地方(fang)向 - BI Copilot、智能問數、深(shen)度(du)分析(xi)、數據門戶

  2. 典(dian)型落(luo)地(di)場景介紹

四. 未來展望

  1. 探索與實踐的(de)方(fang)向

  2. 新的挑戰(zhan)

聽眾收益(yi)：

1. 馬上消金在探索AI+BI過程中的一些經驗

2. 在構(gou)建企業(ye)級智能數(shu)據分(fen)析產品(pin)時(shi)的一些實踐原則和(he)模式

落地挑戰和方案重(zhong)點(dian)：

1. 業(ye)務知識(shi)搜集的(de)挑(tiao)戰

2. 突破(po)傳統業務模式和業務/分析師的(de)認知(zhi)、習慣(guan)局(ju)限

3. AIBI生成結果的準(zhun)確性、分析深度、穩定性如何保證

周衛林 Aloudata 大應科技 創始人 & CEO

個(ge)人介紹：周衛林，Aloudata（大應科技）創始人 & CEO，曾任螞蟻集團研究員（P10）、螞蟻集團數據平臺部總經理，擁有 20 余年大數據領域從業經驗，是國內最早一批數據倉庫先行者。他曾深度參與并主導了阿里/螞蟻集團從傳統數倉體系到數據智能體系的數據技術演進過程，全面支撐了螞蟻集團從支付工具到數字生活平臺的升級，橫向推動了整個螞蟻集團業務數據化、智能化水平的提升。除此之外，他還是多個有影響力的數據工具類產品的主要締造者，并由此孵化出多個進入 Gartner、Forrester 領導者象限的阿里云拳頭產品。

演講題(ti)目：對(dui)比(bi)印巴空(kong)戰看 BI 代際革命與(yu) Agent 技(ji)術(shu)突破

演講(jiang)(jiang)介紹&演講(jiang)(jiang)提綱：

一、對比空戰新范式看 BI 的代(dai)際革命

1. 從(cong)近程格斗到遠(yuan)程超(chao)視距攻擊 vs 從(cong)傳(chuan)統 BI 到 BI Agent

2. 空戰新范式(shi)：“A 鎖 B 射 C 導” vs BI Agent 核心(xin)突破——三鏈協(xie)同(tong)

二、BI Agent 技術突(tu)破：三鏈協同

1. 思維鏈

2. 數據(ju)鏈

3. 工具鏈

三、企業 BI Agent 應用展望(wang)與路(lu)徑

1. 印度模式(shi) vs 巴(ba)鐵模式(shi)

2. Aloudata Agent 體(ti)系介(jie)紹

聽眾收益：

1. 通過(guo)類(lei)比借鑒(jian)的方式，更深刻地(di)理(li)解 BI Agent 代際(ji)革命(ming)帶來的影響

2. 通(tong)過講解 BI Agent 突破之(zhi)道，更體系化(hua)地理解 BI Agent 的技術關鍵點

3. 建立獨立的(de)思考(kao)框架，設計合適的(de) BI Agent 應(ying)用建設路(lu)徑

劉巖 騰訊游戲數據技術(shu)負責(ze)人

個人介(jie)紹：劉巖，騰訊游戲(xi)數據(ju)(ju)技(ji)術負責(ze)人(ren)、資(zi)深專家。負責(ze)通過資(zi)產(chan)體(ti)系、技(ji)術平臺、AI、湖倉等技(ji)術降(jiang)低游戲(xi)業(ye)務(wu)使(shi)用(yong)數據(ju)(ju)門檻，提升數據(ju)(ju)工作的效率，以數據(ju)(ju)驅動業(ye)務(wu)增長(chang)。

演講題目：LLM在騰訊(xun)游戲(xi)的(de)數據分析(xi)實(shi)戰

演講介紹：騰訊游戲從2023年開(kai)始使(shi)用LLM進行數(shu)據(ju)提取(qu)(qu)，經歷過多(duo)次版(ban)本(ben)迭代，建立了基于(yu)AI的數(shu)據(ju)資(zi)產體系(xi)，實現大(da)模型數(shu)據(ju)提取(qu)(qu)在多(duo)個業務(wu)應用；在2025年初(chu)開(kai)始探索基于(yu)Deepseek R1 數(shu)據(ju)分(fen)析，采(cai)用MCP架構實現了(le)基于SOP的分析報告生成。

演講(jiang)大綱：

一(yi)、騰訊游戲在(zai)大模(mo)型工程化(hua)的探索

1.1 騰訊游(you)戲(xi)應用大(da)模型背景(jing)

1.2 大模型工程化的探索路徑

1.3 在(zai)數(shu)據提取(qu)領域的(de)成果(guo)

二、DeepSeek+MCP帶來的新變化

2.1  模(mo)型能力增強帶來的(de)應用AI化

2.2  MCP架構促進服務(wu)應(ying)用化

2.3  AI時代的資產體系

三、基于MCP架構的數(shu)據(ju)應用

3.1 公(gong)共模型+領域私有(you)模型聯合

3.2 現有系統的MCP適配

3.3 智(zhi)能數(shu)據分析應(ying)用案例

聽眾收益：

• 解(jie)鎖(suo)AI驅動(dong)新范式(shi)  ：了解(jie)騰訊游戲(xi)從智能化路徑，理解(jie)業務需(xu)求與AI技術融合的實戰方法論。

• 加速分析(xi)自動化  ：獲取從數據提取、模型協同(tong)到場(chang)景化輸出的全鏈路效率提升方案。

• 構建(jian)可持續資(zi)產(chan)體系  ：洞(dong)察數(shu)據資(zi)產(chan)與領(ling)域(yu)模型(xing)的雙向增強(qiang)機制(zhi)，理解AI時代(dai)的資(zi)產(chan)治理等關鍵能力(li)。

落地挑戰(zhan)和(he)方案重點：

• 復雜系統的(de)架構(gou)遷移(yi)  ：MCP架構(gou)的(de)兼容性改(gai)造需解決數據孤島打破、服務化接口封裝等技術問題。

• 模(mo)型協同的(de)可靠性(xing)(xing)：公共大(da)模(mo)型與(yu)私有領域模(mo)型的(de)聯(lian)合推理面臨知識邊界沖突(tu)、生(sheng)成(cheng)結果(guo)可解釋性(xing)(xing)等工程化挑(tiao)戰。

• 場(chang)景化落地的(de)精(jing)準度：在智能分析報告生成(cheng)場(chang)景中，需平衡規則強約束與大(da)模型創造(zao)性之間的(de)矛盾。

岑(cen)潤哲 數勢科技數據智能產品總(zong)經理

演講(jiang)題目：Data Agent：企業數(shu)據(ju)分(fen)析的范式革新——數(shu)勢科技(ji)SwiftAgent如何(he)重塑分(fen)析決策邊(bian)界

演講(jiang)提綱(gang)：

1. 行業(ye)痛(tong)點與范式革命：從傳統BI到Data Agent的躍(yue)遷

企業數據消費的現(xian)狀(zhuang)與(yu)核(he)心(xin)瓶頸

傳(chuan)統BI的局(ju)限性：被(bei)動響應、語義偏差、低(di)效協作

常見數(shu)據(ju)分析方案的共(gong)性(xing)短板(ban)：取數(shu)不(bu)準、靜(jing)態語義、單點智(zhi)能、數(shu)據(ju)洞察(cha)決(jue)策價(jia)值弱

Data Agent定(ding)位和SwiftAgent產品(pin)架(jia)構：

從(cong)“工具(ju)執行”到“主(zhu)動決策”：Data Agent的范式(shi)革新

SwiftAgent核心價值：0幻覺(jue)、0等待、0門檻(jian)

2. Data Agent落地的三(san)大挑(tiao)戰與數勢破局之道

• 挑戰一(yi)：復雜(za)業務語義(yi)的精準映射

傳統(tong)方(fang)案：規(gui)則(ze)引擎+自(zi)然(ran)語言解析的局限性（如NL2SQL準確率60%左(zuo)右）

數勢創新：NL2Semantic Layer

統一(yi)語義(yi)層(ceng)架構(gou)：引入統一(yi)語義(yi)層(ceng)，查詢準確率100%

• 挑戰(zhan)二：跨域(yu)復雜任務的高效協(xie)同(tong)

多數據源、多步驟任務(wu)的(de)“碎片(pian)化”困局(ju)

數勢創新：Multi-agent協(xie)作架構

基于(yu)Agent架構識別任務要素，并行處(chu)理多源(yuan)數據，助力企業優化(hua)決(jue)策

案例：某零售(shou)企業跨渠(qu)道數據整(zheng)合效(xiao)率提升(sheng)300%

• 挑戰三：業務動態適應的持續(xu)進化

傳統BI的“一次性(xing)交付”陷(xian)阱：難以高效適(shi)應指(zhi)標(biao)變更與場景迭代

數勢創(chuang)新：Memory機制與持續學習

越用越智(zhi)能，基于用戶行為優化更貼合業務需(xu)求的分析思路(lu)

3. 實戰驗(yan)證：

• 案(an)例一(yi)：頭部城商行案(an)例：SwiftAgent 作(zuo)為行長數(shu)據(ju)秘書(shu)，數(shu)據(ju)驅動智(zhi)慧銀行決策

• 案例二：頭部連(lian)鎖(suo)茶飲品(pin)牌：SwiftAgent 幫助企業實現全自動門店數據分析和督導稽核(he)

• 案例三(san)：全球消費品巨頭：SwiftAgent幫助(zhu)品牌提(ti)升商(shang)品競爭(zheng)力，優化供應鏈效率

4. 未來展望：Data Agent的民主(zhu)化和生態化

聽眾(zhong)收(shou)益：

1.認知升級：理解Data Agent與傳統BI、ChatBI本(ben)質差異，掌握下一代數據分析(xi)范式演進方向(xiang)。

2.實(shi)戰(zhan)洞(dong)察：獲取復雜業(ye)務場景下的Data Agent落(luo)地方(fang)法論，規避行業(ye)共性實(shi)施(shi)風險(xian)。

3.技術前瞻：學習大模(mo)型+指標語義層+Multi-agent的數(shu)據分析Agent產品(pin)架(jia)構設(she)計與實(shi)現路徑。

4.決策(ce)參考：通過商業最佳實踐，評估(gu)Data Agent在企業內(nei)的規模(mo)化價(jia)值。

百惱 螞(ma)蟻集團 高級(ji)技術專家

個人介紹(shao)：在阿里5年，螞蟻7年，主要負責螞蟻分析平臺DeepInsight

演講題目(mu)：DeepInsight Copilot演進(jin)史以及未來探索

演(yan)講介(jie)紹(shao)&演(yan)講提(ti)綱(gang)：

1. 弱模(mo)型+SFT

2. 強(qiang)模型(xing)+RAG

3. 端到(dao)端的解決(jue)方(fang)案(an)

4. 評測集構建

5. 未來(lai)探索(suo)

聽眾(zhong)收益：AI+BI，螞蟻積累了哪些經驗，未來有哪些路徑

下午場(chang) 14：00-18：00

專題論壇：AI-Ready數據底座論壇(tan)

分(fen)論壇內容介紹：

戴詩峰(feng) 騰訊游戲數據治理負責人

個人(ren)介(jie)紹：負責騰訊游戲的數據治理規劃與架構，梳理并完善數據資產體系，保障數據安全合規，落地數據管理標準和相應平臺。數據領域工作近20年，參與多個領域的大數據平臺及數據治理的咨詢與交付工作，擅長數據資產體系、數據治理標準及業務分析場景的規劃與設計。

演講(jiang)題目：大模型時代的智能數據服務

演講(jiang)介紹：騰訊游戲在數據領域深耕多年，如今借助大模型技術，構建了高效的數據資產體系和智能應用架構。通過湖倉一體架構、重塑的資產體系、自助化分析能力等創新手段，實現了數據交付效率的大幅提升和資產復用率的顯著增長。并結合具體的應用場景介紹模型、資產、應用三個方面的工程化融合方案，以及可持續運營體系的搭建策略。

演講大綱(gang)：

一、騰(teng)訊(xun)游戲數據發展背景(jing)

1.1 騰訊(xun)游戲在(zai)數據工程(cheng)發展

1.2 如何提高數據使(shi)用(yong)效(xiao)率

1.3 新技術帶來的數據(ju)資產變(bian)革

二、基于AI的資產體系建設

2.1  構建“人和AI”都能理解的資產

2.2  基于邏輯的資產(chan)模型

2.3  湖倉架構實(shi)時化改(gai)造

三、AI應用場景的探索(suo)

3.1 精細化運營的數據需求(qiu)

3.2 應用工程技(ji)術架(jia)構

3.3 可量(liang)化的(de)持續運營

聽眾收(shou)益：

• 掌握前(qian)沿(yan)技術：了解大模型在數據服務中的應用，了解騰訊游戲的應用實(shi)踐，為自身業務提供技術借鑒。

• 優化數(shu)據資(zi)產(chan)：學習(xi)構建高效數(shu)據資(zi)產(chan)體系的方法，提升數(shu)據復用率，增強數(shu)據驅動業務的能力。

• 提(ti)升運營(ying)效率：借鑒騰訊游戲的數(shu)據資(zi)產(chan)運營(ying)經驗(yan)，掌握(wo)智能數(shu)據服務提(ti)高資(zi)產(chan)運營(ying)效率的策略。

落(luo)地挑戰和方案重點：

1. 數據資(zi)產建設與管理的復雜性(xing)：需要(yao)將(jiang)業務需求、行業知(zhi)識、數據結構等多方面因素進行整(zheng)合，沉淀出高質量的領域模型和(he)資(zi)產知(zhi)識圖譜。同時，資(zi)產的治理、優化和(he)持續運(yun)營也面臨諸多挑戰，如(ru)(ru)(ru)如(ru)(ru)(ru)何確保資(zi)產的準確性(xing)、唯一性(xing)、復用(yong)性(xing)，如(ru)(ru)(ru)何根據業務變化及時調整(zheng)資(zi)產結構等。

2. 大模(mo)型等新(xin)技術的(de)(de)適配與穩(wen)定性(xing)：對于(yu)大模(mo)型的(de)(de)生成幻覺、知識庫的(de)(de)匹配、湖(hu)倉架構等技術方向(xiang)，如何保(bao)證架構的(de)(de)穩(wen)定性(xing)、可擴(kuo)展性(xing)和高性(xing)能，以滿(man)足業務實時(shi)性(xing)和靈活性(xing)的(de)(de)需求。

趙(zhao)波(bo) 火山引(yin)擎數據產品解決方案高級架構師 

個人介紹：

• 深(shen)耕10余年國(guo)際和國(guo)內公有云數據平臺、數據庫和機器(qi)學習領(ling)域；

• 曾參與Microsoft Azure和Power BI落地中國、HPE Vertica中國區業(ye)務、國產數(shu)據(ju)庫(ku)、數(shu)據(ju)平臺等工作；

• 廣泛服務于互(hu)聯網、金融、工業(ye)制造(zao)、公共事業(ye)、科研等行業(ye)頭部客戶(hu)。

演講題目：重塑數據根基：Data+AI 多模態數據湖實戰路徑

演(yan)講介(jie)紹：在數據量呈指數級膨脹與 AI 技術迭代加速的雙重浪潮下，傳統數據處理模式正遭遇價值挖掘的效能瓶頸。作為數據價值鏈條的核心樞紐，數據準備與挖掘環節亟待從「人力密集型」向「Data+AI 深度融合驅動」實現范式革新。構建兼具高效性、智能化與擴展性的大規模數據處理體系，已然成為企業數字化轉型的決勝關鍵。

本(ben)次演講將緊扣 Data+AI 前沿趨勢，深(shen)度解析如何(he)依(yi)托多(duo)模態數(shu)據湖等創新能力，搭建面向未(wei)來(lai)的新一(yi)代數(shu)據基礎設施，并結合多(duo)行業實戰案例(li)，呈(cheng)現技術落(luo)地的全景藍圖。

演講大綱：

• 行業(ye)痛點：AI時代，非結(jie)構化數據(ju)帶(dai)來數據(ju)存儲、計算和治理困境，如數據(ju)孤島、質量參差、多模態融合難

• Data+AI的范式(shi)變(bian)化(hua)：Data+AI的飛輪效(xiao)應，數據(ju)滋養AI 到 AI反哺數據(ju)治理

• 多模態(tai)(tai)數據管(guan)道(dao)的工程實(shi)踐：多模態(tai)(tai)數據管(guan)道(dao)的架構(gou)設計原理、關(guan)鍵組件實(shi)現以及性(xing)能優化技巧

• 新(xin)場(chang)景(jing)探索與展望：多模態數據湖在數據預訓(xun)練、后訓(xun)練、數據挖掘等場(chang)景(jing)中的應用實踐

聽眾收益：

• 掌握Data+AI驅動(dong)的大規模數據系(xi)統(tong)設計原則，理解從傳統(tong)ETL到智(zhi)能管道的升級路徑。

• 獲得多模態數據處理等場景的落地經(jing)驗。

• 了解數(shu)據挖掘與AI結合的未來趨(qu)勢(shi)，明確技(ji)術規劃方向。

張(zhang)曉明 愛奇(qi)藝(yi)技術總監

個人介紹：曾主導并參與數據中臺、數據倉庫、流量反作弊及BI系統等多領域大數據工作，深度聚焦數據全生命周期的價值挖掘與管理，致力于通過技術創新驅動企業數據生態的智能化升級。

演(yan)講題(ti)目：盤(pan)活數據(ju)資產(chan)，驅(qu)動價值釋放：數據(ju)倉庫與ChatBI的融合之道

演講介紹：企業在經過多年的運營后，必然會沉淀出大量的數據資產和數據模型，具有個性化需求的數據不好找、找到不會用、用了數不對的問題依然嚴重，本次分享將介紹如何通過LLM技術構建符合業務個性化的ChatBI系統，并結合數倉的建模思想，利用已有的數據模型快速搭建數據集，提高數據的利用率，使數據資產流動起來，釋放更多的價值。

演講(jiang)提綱：

1. 背(bei)景介紹(shao)

2. ChatBI架構概(gai)覽(lan)

3. ChatBI模塊(kuai)解析

4. 接(jie)入數倉數據

6. 數據的準確性評估（測試方(fang)案(an)(an)、內容(rong)版本方(fang)案(an)(an)）

7. 性能與成本(ben)的(de)平衡(heng) 

8. 落地(di)實踐

聽眾收益：

1.基(ji)于數據倉庫(ku)的搭建ChatBI的契合(he)點是什么？

2.如何數據建模讓ChatBI更懂(dong)數據？

落地挑戰和(he)方案重點(dian)：

1.如何(he)讓用戶使(shi)用ChatBI數據更有信心？

2.數(shu)據查詢(xun)的性能問題

關鍵詞：

ChatBI、大數據、數據倉庫(ku)、數據資產、知(zhi)識庫(ku)

林(lin)鵬 美團數據團隊負(fu)責人

個人介紹(shao)：現任美團酒店旅行(xing)事業(ye)部數(shu)據(ju)團隊負責人，聚焦(jiao)數(shu)據(ju)智能(neng)在業(ye)務場景的(de)產業(ye)化(hua)(hua)落地(di)。擁有十年數(shu)據(ju)架(jia)構(gou)實(shi)(shi)戰經驗，曾參與數(shu)據(ju)平臺(tai)方向從零到一的(de)體系化(hua)(hua)建設，在實(shi)(shi)時計(ji)算引擎架(jia)構(gou)、流批一體特征工程平臺(tai)、Data+BI融(rong)合分析體系等前沿領域具(ju)備一定積累，實(shi)(shi)現數(shu)據(ju)資產向業(ye)務價值(zhi)的(de)規模化(hua)(hua)轉化(hua)(hua)。

演講題目(mu)：酒(jiu)店旅行在(zai)M端場景的數據智能(neng)化應用和探索

演講介紹：酒(jiu)旅業務小助手服務于酒(jiu)旅事業部組織提(ti)效(xiao)，借助大模型實現(xian)M端分析師、運營、銷售各職能個人工(gong)作(zuo)提(ti)效(xiao)和跨職能的(de)流程優化(hua)，我(wo)們(men)圍繞“數(shu)據-信(xin)息(xi)(xi)-策略-行動”建(jian)(jian)設(she)核心(xin)能力，數(shu)據上(shang)，完成規(gui)模化(hua)取數(shu)能力的(de)探索，信(xin)息(xi)(xi)上(shang)完成部分信(xin)息(xi)(xi)非結構化(hua)知識的(de)接(jie)入，策略上(shang)實現(xian)了(le)分析診斷和初(chu)步業務建(jian)(jian)議輸出(chu)，行動上(shang)將業務診斷建(jian)(jian)議的(de)結果作(zuo)用于播報(bao)工(gong)具、智(zhi)能問答、銷售等(deng)場景實現(xian)數(shu)據智(zhi)能化(hua)閉環(huan)。

演(yan)講(jiang)大綱：

1. 架(jia)構(gou)革新：從傳統指標倉(cang)庫向AI驅(qu)動的(de)數倉(cang)2.5層(ceng)架(jia)構(gou)演進(jin)，實現(xian)分層(ceng)架(jia)構(gou)的(de)智能(neng)化簡化

2. 資(zi)產轉型：數(shu)據資(zi)產建設從服務(wu)人工分析轉向支持人機協同的元數(shu)據體系(xi)建設

3. 能(neng)力升(sheng)級：數(shu)據處理范疇從結構化數(shu)據擴(kuo)展到(dao)非結構化知識增強與融合

4. 評(ping)估(gu)體系：構建端(duan)到端(duan)的AI取(qu)數準確性評(ping)估(gu)框架與方法論

聽眾(zhong)收益：

1. 數倉(cang)扁平化架構升(sheng)級：如(ru)何在傳統數倉(cang)建模基礎(chu)上實現數倉(cang)架構改造，并提升(sheng)數據獲取效率。

2. 非結構化(hua)知識(shi)清洗：如(ru)何基(ji)于(yu)業務(wu)實(shi)際know-why的非結構化(hua)知識(shi)，實(shi)現知識(shi)的運(yun)營管理和標準化(hua)清洗。

3. Agent架構(gou)演進：參照(zhao)業界大模(mo)型的新技術實(shi)現預(yu)置工(gong)作(zuo)流(liu)(liu)模(mo)式向自動生成工(gong)作(zuo)流(liu)(liu)到智(zhi)能體的演進。

落地挑戰和方案重點：

1. AI取數場景的泛化問題(ti)

2. 數據分(fen)析(xi)框架的泛(fan)化問題

3. 預(yu)制(zhi)工(gong)作流和agent的發展演進過程

4. 數倉架構的寬(kuan)表(biao)建模(mo)和性能優化

專題論壇：AI+BI智能中臺論壇

分論(lun)壇(tan)內容介(jie)紹：

卓孔(kong)圣 理(li)想汽車(che) 高級算(suan)法工程(cheng)師

個人介紹：理想汽車高級算法工程師，主要負責大模型應用的開發，包括NL2SQL算法研究與應用等，并且在大模型幻覺檢測方向有深入研究與實踐經驗。

演講題目：大(da)模型幻(huan)覺(jue)檢測在垂域任務的應(ying)用實踐

演講介紹：基于NL2SQL系統的開發，為保障系統的整體準確性，在系統的各個算法環節應用大模型幻覺檢測技術，有效提高了幻覺攔截率70%；并且基于幻覺檢測技術為模型上線前評測提供的新的指標-模型幻覺率，解決了通過評測集評測模型準確率不充分問題。

演講大綱：

1. 什么(me)是(shi)大模型(xing)幻覺(jue)？

2. 為什么(me)會出現幻(huan)覺？

3. 幻覺會造成(cheng)哪些影(ying)響

  1. 積極(ji)影(ying)響

  2. 消極影(ying)響

4. 幻覺檢(jian)測的研究進(jin)展

  1. 主要有哪些方法及適(shi)用場景

    1. 有監督、

    2. 無監督

5. 幻(huan)覺檢測(ce)應用實踐(jian)

  1. 生(sheng)成式分(fen)類(lei)任務

  2. 信息抽取任務

3. SQL生成(cheng)（復雜且精準生成(cheng)）

6. 未(wei)來展望

 1. 基于對模型機制的分析(xi)

聽眾(zhong)收益：

1. 大模型幻覺檢(jian)測技術(shu)的發展現狀

2. 如何選擇大(da)模(mo)型(xing)檢測方法(fa)用于自(zi)己的業務場景

3. 大模型(xing)幻覺檢(jian)測(ce)的應用經驗

落地挑戰和方案重點：大模型在垂域任務微調后，如何解決模型推理能力范圍外的問題時易發生幻覺的問題

齊翔 螞蟻數科NLP和(he)Agent算法(fa)(fa)負責人，高級算法(fa)(fa)專(zhuan)家

個(ge)人介紹：齊翔，螞蟻數科NLP和Agent算法負責人，高級算法專家。

中科大本科，中科院計算機(ji)專(zhuan)業博士，博士方向專(zhuan)注(zhu)NLP/機(ji)器學習領(ling)域(yu)，負責螞蟻(yi)數(shu)科ToB Agent算法(fa)研發，關注(zhu)Agent在B端嚴肅領(ling)域(yu)的知識工程(cheng)、復雜任(ren)務推理、場景評測和系統進(jin)化等(deng)課題。

演講題目：結合知識工程的ChatBI在螞蟻數科的實踐

謝(xie)苑珍 騰訊任高(gao)級算法研究員

個人(ren)介紹(shao)：

• 本(ben)碩畢業于中(zhong)山大學，現于騰訊任高級算法研(yan)究員

• 發表期刊會議（KBS，ACL, WSDM, CIKM等）論文8篇

• 目前主要從事大模型在數(shu)據分析(xi)領域的前沿探(tan)索(suo)和落地

演(yan)講題目：分解以提(ti)升(sheng)注(zhu)意力：通(tong)過(guo)工作流(liu)范式提(ti)升(sheng)text-to-SQL的落地性能

演講(jiang)介紹(shao)：待補充

演講大綱：

一、背(bei)景

Text-to-SQL的相關研究

Text-to-SQL面臨的挑戰

二、DEA-SQL(分(fen)解提(ti)升注意力的工作流范式)方法介紹

簡介(jie)概覽與(yu)模塊介(jie)紹

實驗設計與結論

三、落地(di)OlaChat, OlaSQL相關實踐概覽(lan)

四、總結與未來展望

聽眾收益：

1）text-to-SQL的研究進展和(he)工作流范式(shi)

2）企業該如何落地text-to-SQL應(ying)用

3）未來(lai)text-to-SQL的研究和實踐展望(wang)

落地挑戰和(he)方案重點：

1) The LLM has limited understanding of tables, fields, and dimension values (Information Determination: two-stage)

2) Single-step COT capability is limited, How to design a good workflow paradigm for text2sql tasks? (Workflow Paradigm)

3) The capabilities of the LLM are limited, how to maximize the potential of the model? (Check optimization, active learning)

胡(hu)松林 理想(xiang)汽車 算(suan)法工程師

個人介紹：曾在SAAS、互聯網、制造業等多家龍頭企業工作，深耕NLP技術與業務的結合。參與過任務型對話、電商搜索、智能BI等多個項目，具備大量大模型在垂直領域微調的經驗。

演(yan)講題(ti)目：NL2SQL自動化數據合(he)成(cheng)在理想(xiang)汽(qi)車實踐

演講介紹：在In domain的NL2SQL任務中，大量的領域知識成為了系統邁不過去的難關。一方面，我們很難精準召回多樣化的領域知識，另一方面，LLM是否能遵循領域知識進行回復也有待考量。為了解決上述問題，對LLM進行微調是一種合理的手段。然而，微調數據的獲取確是一大難題。盡管我們可以預先搜集少量的種子數據，其數量和質量卻難以保證。我們提出了一種基于中間表示的數據合成方法，可以實現知識遵循能力與SQL生成能力的解耦，自動化合成大量高質量數據。實驗結果表明，我們的方法合成的效率是人工的60倍，在全量指標上合成準確率97%+，高于人類專家7個百分點。

演講(jiang)大綱：

1. NL2SQL中數據合成所扮演的角色

2. 數(shu)據合成(cheng)面臨的挑戰

3. 基(ji)于(yu)中間表示的數(shu)據合成方案

4. 相關實(shi)驗結論和認知導出

5. 不足(zu)和(he)展望

聽眾(zhong)收益：

1. 如(ru)何處(chu)理(li)領域知識

2. NL2SQL數據配(pei)比思路

落地挑戰(zhan)和方案(an)重點：

1. 語義(yi)復合(he)指標（例(li)如占(zhan)比）其SQL邏(luo)輯要(yao)結合(he)具體問題判斷

2. 領域知識快速變化，導致不同版(ban)本的(de)數據無法兼容(rong)

專題論壇：AI+BI典型場景(jing)實踐

分論(lun)壇內容介紹(shao)：

彭陽(yang) 百度 技(ji)術專家

個人介紹(shao)：目(mu)前在百度主要負責數據(ju)中臺的(de)數倉建設、數據(ju)智能(neng)分析洞察、智能(neng)預警等工作，包括數據(ju)基建、大(da)模型agent應(ying)用(yong)等，在公(gong)司內在大(da)數據(ju)、大(da)模型應(ying)用(yong)上積累了十多篇一級專利，有著多年(nian)的(de)數據(ju)應(ying)用(yong)開發經驗。

演(yan)講題目：百度App線(xian)上異(yi)常指(zhi)標智能洞察

演講介紹(shao)：企(qi)業在數據中(zhong)臺通常會針對(dui)(dui)端進行各項業務數據指(zhi)(zhi)標的(de)(de)(de)(de)(de)建(jian)設(she)，核(he)心指(zhi)(zhi)標將直接影(ying)(ying)響(xiang)APP產(chan)品效果以及用(yong)戶(hu)使用(yong)體驗。因此，當核(he)心指(zhi)(zhi)標出現(xian)波(bo)動(dong)或(huo)者下滑時(shi)，能夠迅(xun)速的(de)(de)(de)(de)(de)分析(xi)波(bo)動(dong)情況(kuang)，快速定位并(bing)解決問(wen)題，對(dui)(dui)減少用(yong)戶(hu)受影(ying)(ying)響(xiang)范圍(wei)和提升整體APP用(yong)戶(hu)體驗至(zhi)關(guan)重(zhong)要(yao)。當業務出現(xian)線(xian)上指(zhi)(zhi)標波(bo)動(dong)時(shi)，整體的(de)(de)(de)(de)(de)定位流(liu)程較為繁瑣，包(bao)括業務數據分析(xi)、問(wen)題的(de)(de)(de)(de)(de)值(zhi)班分發、上線(xian)單(dan)的(de)(de)(de)(de)(de)召回(hui)、線(xian)上問(wen)題的(de)(de)(de)(de)(de)修(xiu)復等(deng)，整個(ge)過(guo)程全(quan)依賴人工進行問(wen)題的(de)(de)(de)(de)(de)定位和跟進，問(wen)題的(de)(de)(de)(de)(de)定位和解決時(shi)間依賴于值(zhi)班同學的(de)(de)(de)(de)(de)分析(xi)能力以及對(dui)(dui)各個(ge)組件的(de)(de)(de)(de)(de)熟悉成都，導致從線(xian)上指(zhi)(zhi)標波(bo)動(dong)到(dao)問(wen)題修(xiu)復時(shi)間過(guo)長，加大了對(dui)(dui)線(xian)上業務的(de)(de)(de)(de)(de)影(ying)(ying)響(xiang)。

因此(ci)，我們(men)構(gou)建了線(xian)上指標異常智(zhi)能(neng)(neng)洞察的項目(mu)，基(ji)于(yu)業務(wu)本(ben)身同(tong)時(shi)結合大模型構(gou)建了多個Agent，包括歸因分(fen)析、上線(xian)召回(hui)、用(yong)戶(hu)行(xing)為(wei)分(fen)析、智(zhi)能(neng)(neng)問(wen)(wen)(wen)數等。同(tong)時(shi)，構(gou)建了智(zhi)能(neng)(neng)規劃編排模塊(kuai)，基(ji)于(yu)大模型的決策判(pan)斷、工具調用(yong)和長期記憶能(neng)(neng)力，根據不同(tong)的業務(wu)場景(jing)，制(zhi)定不同(tong)的定位路徑，將業務(wu)排查問(wen)(wen)(wen)題的整(zheng)個過程進行(xing)串聯(lian)，在業務(wu)線(xian)上指標波動(dong)時(shi)，快速的對問(wen)(wen)(wen)題進行(xing)召回(hui)。Agent整(zheng)體準確率82%，線(xian)上指標異常的召回(hui)時(shi)間從(cong)小時(shi)級->分(fen)鐘級。

演講(jiang)大綱：

1、數據中臺業務建設背景

2、業(ye)務指標建(jian)設過(guo)程

3、大模型賦能(neng)業務

    歸因(yin)分(fen)析

    上(shang)線(xian)召(zhao)回(hui)

    用戶行(xing)為(wei)分析

4、 multi agent協(xie)同工作

聽(ting)眾收益：

1、 技術選型，大模型和業務的結合能(neng)力

2、 Agent應用的落地

3、 多Agent編排模塊的落地

落地挑戰(zhan)和方案重點：

1. 為了貼近業(ye)(ye)(ye)務，真正幫(bang)助(zhu)業(ye)(ye)(ye)務，Agent構(gou)建過程中不可避免(mian)的(de)有業(ye)(ye)(ye)務定制化(hua)的(de)流(liu)程，那(nei)么對于新接入(ru)一個(ge)業(ye)(ye)(ye)務來說(shuo)，成本相(xiang)比純通用化(hua)的(de)設(she)計(ji)會更(geng)高一些。

2. 目前Agent的規劃能力并不是(shi)完全自主的，整體的運行流程還是(shi)依賴(lai)于(yu)基于(yu)業務構建(jian)的知識(shi)圖譜DAG。

關鍵(jian)詞：

大模(mo)型、知識(shi)圖譜、Agent 應用

海(hai)書山 火山引(yin)擎Data Agent項目負責人

個人介紹：10年+數據行業從業經歷，曾就職于Merkle、Kyligence等數字營銷和大數據廠商，對數據應用、大數據、云計算和大模型解決方案有深入研究和實踐經驗，尤其在零售、金融、汽車等行業擁有豐富的數據架構、實施和咨詢經驗。

現負責火山(shan)引擎Data Agent 項目，致力于將前沿的(de)大模型技(ji)術與(yu)企業核心數據(ju)深度(du)融合(he)，打造(zao)能夠自主思考、洞察并行動的(de)新一(yi)代“數字(zi)專(zhuan)家”，幫企業迎接數據(ju)驅動的(de)全新增長(chang)時代。

演(yan)講題目：Data Agent：超越BI與AI的邊(bian)界

演講介紹：Data Agent 作為數據智能的新浪潮，正挑戰我們對數據準確性和流程可控的傳統認知。它帶來了 AI “幻覺”下的不確定性，也預示著數據、AI 與業務深度融合的新范式。本次課程旨在分享一些階段性思考，包括如何管理這種可控的不確定性，如何構建適應快速迭代模型的“容器”架構，以及如何在保留傳統數據產品價值的同時，引領數據基礎向“AI Ready”轉型，最終實現人與智能體高效協同的未來工作模式。

演講(jiang)大(da)綱(gang)：

• 企業如何(he)實(shi)現新舊數據能力(li)的協同進化

• Agent 落地場景選擇與價值衡量(liang)

• 數據(ju)分(fen)析智(zhi)能體如(ru)何(he)重塑數據(ju)分(fen)析鏈路，突破數據(ju)價(jia)值瓶頸

• 從 ChatBI 到 分析(xi)Agent：決策智能的躍進

• 適配行業場景解讀及分析Agent演(yan)示(shi)

聽眾(zhong)收益：

1. 掌握(wo)數據能力迭代方法論

2. 明晰 Agent 落地實(shi)踐路徑與價值評估方法

3. 清晰理解洞(dong)察決策(ce)智(zhi)能升級(ji)方(fang)向

張衛 小米(mi)集團技術委員會(hui) 專家(jia)算(suan)法(fa)工程師(shi)

個人介紹(shao)：小米集團技術委員會專家算法工(gong)(gong)程師，目前負責AI創新(xin)應(ying)用的相關工(gong)(gong)作，包括(kuo)智能代碼助(zhu)手(shou)、智能數(shu)據(ju)分(fen)析、智能問(wen)答助(zhu)手(shou)等(deng)。曾就職(zhi)于騰訊(xun)、阿里(li)等(deng)公司(si)，有十多(duo)年(nian)的搜廣推、NLP算法經驗(yan)。

演講題目(mu)：從"數據"到"決(jue)策": 小(xiao)米DIMI驅動業務增長實踐

演講介紹：DIMI作為小米公司自主研發的BI+AI算法驅動產品，肩負著將海量數據轉化為精準決策的重任。我們打造基礎問數、復雜分析、深度報告等核心功能，助力人力資源、商業分析等業務領域降本增效。然而，落地過程中面臨數據質量參差不齊、大模型垂域效果欠佳、業務場景復雜多變等挑戰。為此，我們構建了AI數據分析框架，以適應不同業務需求，最終實現：縱向重點業務分析準確率>90%，業務橫向復制<10min。DIMI的成功實踐，不僅為小米業務增長注入強勁動力，也為行業提供了可借鑒的范例。

演講大綱(gang)：

 一、業(ye)務背景

1. 小米業務(wu)多元化與數據爆炸式(shi)增長

2. 傳統數據分析工具(ju)的局限(xian)性

3. 對智(zhi)能決(jue)策工具(ju)的(de)需求催(cui)生DIMI

二、方案(an)選型

1.基礎問(wen)數

2.復雜(za)分析

3.深度報告

三(san)、落地挑(tiao)戰

1. 算法泛化(hua)性不足

2. 業務(wu)拓展成本高

四、解決思路

1. 數據治理

2. 算法優化

3. 架構(gou)優化

五、未來規劃

1. 持續優(you)化算(suan)法能力

2. 拓展業(ye)務應用(yong)場景

六、總結

1. DIMI在業(ye)務增長中(zhong)的價值體(ti)現(xian)

2. 技術創新(xin)與(yu)業務需求的緊(jin)密結合(he)

3. 對未來數(shu)據驅動決策的(de)展望

聽眾(zhong)收益：

1. 了(le)解(jie)BI+AI融合(he)技術(shu)在企業業務增長中的具體應用案例，掌握(wo)如何(he)將前(qian)沿技術(shu)落地到(dao)實(shi)際業務場景。

2. 學習問數+分析實(shi)踐經(jing)驗，如何提升算法(fa)準(zhun)確性(xing)。

3. 獲得關于如何推動企業數字化轉型和智(zhi)能決策體系建設的思路與方法(fa)。

落地挑(tiao)戰(zhan)和方案重(zhong)點：

1. 算法泛化能力(li)不(bu)足(zu)：面對不(bu)同業務領域的復雜需求，現有算法在新場(chang)景下的適應性有待提(ti)高，需要進一步優化模型架構和訓練策略。

2. 橫向復制成(cheng)本：在業(ye)務快(kuai)速變化的場景下(xia)，數據質量也參差(cha)不齊，如何(he)使用大模型技術對數據進行診斷及(ji)優化。

翁旭東 騰訊PCG數據分析平(ping)臺算法(fa)工程負責人

個人(ren)介紹(shao)：10年以上專注大數據數據工程研發，深耕BI與數據倉庫領域。目前PCG數據分析平臺的算法工程負責人，主導燈塔ABI項目建設，協同團隊探索前沿技術應用方向，嘗試將大模型與數據分析工具結合，逐步提升用戶分析任務支持率。

演講(jiang)題目：從Excel到AI大數據(ju)表格(ge)：以“實用技術無感融入”用戶(hu)分析工(gong)作流為目標(biao)，如何用輕量化工(gong)具重構企(qi)業(ye)級數據(ju)分析

演(yan)講介紹：展示一款AI分析型表格工具（Tomoro-小表格(ge)分析大數據(ju)）的技術差異化優勢（億(yi)級(ji)數據(ju)處理+復(fu)雜(za)任(ren)務通過率+多Agent組合應用框架）

背(bei)景(jing)：在BI工具建(jian)設過程中發現，非技(ji)術人員(yuan)在進行自助(zhu)分析時(shi)依然面臨(lin)顯著障(zhang)礙。用(yong)戶期望能通過Excel上一些熟(shu)悉的(de)方式(shi)來解決他們的(de)數(shu)據(ju)處理及分析問題。基(ji)于(yu)以上構建(jian)全新的(de)通用(yong)分析工具，Excel表格 + BI大數(shu)據(ju) + AI大模型(xing) 。

挑戰：

1、表格形(xing)態操(cao)作下，如何解決(jue)超十(shi)億量級(ji)數據的計(ji)算(suan)處理性能，做到秒(miao)級(ji)響應？（Excel能力上限不超過百萬級(ji)）

2、基于(yu)大模(mo)型(xing)的智能分(fen)析Agent 如何做(zuo)到 可(ke)用、可(ke)信(xin)、快速（準(zhun)確(que)性與效率(lv)提升），能解決多(duo)復雜的問題？（復雜分(fen)析任(ren)務完(wan)成率(lv)）

解(jie)決方案&思路：

1、分層計算框架

2、以提升任務通過(guo)率為(wei)目(mu)標的多(duo)智能DS Agent + MCP工具支持

演講大綱：

? 內容方向：

? 主題示例："從(cong)Exce到AI大(da)數(shu)據表格(ge)：以"實(shi)用技術無(wu)感融入";用戶分析工作流為目標，如何用輕量化(hua)工具重(zhong)構企業級數(shu)據分析"

? Al Everywhere： 將AI能力融入Tomoro 的(de)用戶自助分(fen)析(xi)過程，提高效率，降低分(fen)析(xi)門(men)檻；

? 分層計算框架關鍵技(ji)術手(shou)段：數據通過預(yu)計算、內存(cun)物化、高性能OLAP引擎；AI基(ji)于Modin、Ray加速；

? 增(zeng)強提升(sheng)復雜任(ren)務完成率(lv)：用戶可(ke)感知價(jia)值(zhi)、用戶可(ke)明確任(ren)務是否符合(he)預期(qi)、用戶可(ke)識別是否錯(cuo)(cuo)誤、可(ke)校正錯(cuo)(cuo)誤迭(die)代嘗試，以提升(sheng)任(ren)務整體通(tong)過率(lv)為目標(biao)建設智能(neng)應用Agent&核心運算Tools；

? 數據(ju)(ju)解讀(du)核心Agent集合(he)：在多模態、動態環(huan)境中，實現(xian)意圖-數據(ju)(ju)-工(gong)具的高(gao)效(xiao)閉環(huan)對(dui)齊，并(bing)確保跨(kua)階段狀態遷(qian)移(yi)的魯棒性(xing)、可解釋性(xing)與分析效(xiao)率。以(yi)及(ji)如何(he)解決在AI分析過程中所遇到的困難：①語義模糊&數據(ju)(ju)質量(liang)&計(ji)算性(xing)能；②有效(xiao)性(xing)&可解釋性(xing)&速度；構建+輸入邊界打開，實現(xian)從洞察到體(ti)驗的全面升級；

? 多Agent組(zu)合(he)應用：通(tong)過智能分(fen)析(xi)導航 +專(zhuan)業(ye)的分(fen)析(xi)Agent&Tool Agent+大模型Coding能力(li)的組(zu)合(he)應用，探索(suo)實(shi)現Tomoro 多場景的智(zhi)能化應(ying)用。

聽眾收益：

1.AI+BI應用實踐交流

2.分層計算思路探(tan)索實踐交流

3.多智能體Ds Agent探索實踐(jian)交(jiao)流(liu)

落地挑戰和方案重(zhong)點：

考慮(lv)用戶使用習(xi)慣，結合(he) Data Agent技術和(he)數據分析(xi)工程實踐構建簡單、易用、有價值的新(xin)數據分析(xi)智能(neng)應(ying)用

1.計(ji)算邊界（可分析的數據范圍(wei)和能(neng)力靈活度之(zhi)間(jian)的trade off）

2.多智能體DS Agent的效果和通過率問(wen)題（需要持續迭代提升(sheng)）

專題論(lun)壇：AI+BI行業最佳(jia)實踐

分(fen)論壇內容介紹：

王小東 新希望金融 AI中心(xin)總經(jing)理

個人介紹：曾就職于華為2012實驗室和螞蟻金服人工智能部，從事大數據和AI技術相關研究 11年左右。現就職于新希望金融科技，擔任AI中心總經理，負責研發基于 AI 和大模型的創新型產品和新技術探索與突破以及風控算法研發，研發成果多次在未來銀行大會進行發布。以第一作者申請發明專利30多項，發表論文近10篇。工作期間獲華為2012實驗室代碼百強員工，新希望金融科技總裁特別獎，金熊貓高價值專利獎，成都市新經濟領域人才， Qcon全球軟件技術大會優秀講師，Fcon全球金融科技大會優秀講師，DataFun金融風控專題出品人和講師等，主持多項四川省科技廳重點項目和AI項目，獲得多項科技成果等獎項。

演講題目：ChatBI在金融(rong)業務中的(de)落地實踐(jian)

演講(jiang)介紹：隨著 ChatGPT、DeepSeek等大模型技術和應用的爆發式發展，大模型在金融應用場景的落地進程日益成熟。現有金融行業的BI分析和提數工具仍存在學習成本高、業務無法自助取數、數據分析難、數據無法有效洞察等問題。我司研發了智數ChatBI數據分析工具，在大模型驅動下，融合了 AI 和 BI 的優勢，為金融業務提供了更加智能、高效的數據分析解決方案，為風控決策，業務增長提供強有力的支撐。

演講(jiang)大(da)綱：

1 現有(you)BI在(zai)金融(rong)行業的應(ying)用背景

1.1 數據分析對(dui)金融(rong)的(de)重要(yao)性

1.2 數據分析(xi)在金融(rong)業務中的(de)應用場景

2 人工(gong)智能(neng)技術給數據分(fen)析帶來的機遇與挑戰

2.1 傳統AI+BI技術

2.2 大模(mo)型+BI技術

3 智數ChatBI落(luo)地(di)實踐

3.1 產品介紹

3.2 技術架構

3.3 如何0-1搭(da)建(jian)ChatBI

3.4 核心功能技術詳解

3.5 核心(xin)算法技術(shu)詳解

4 智數ChatBI落地應用案例

4.1 智(zhi)能提數

4.2 金(jin)融風控(kong)智能決策

4.3 業務智能增長

5 總(zong)結和展望

5.1 智數(shu)ChatBI總結

5.2 下一步研發計劃(hua)

聽(ting)眾收益：

1. 解(jie)鎖AI+BI賦能金(jin)融新范(fan)式：了解(jie)如何(he)結合AI+BI提升數(shu)據分(fen)析效率(lv)和洞察能力。

2. 智數(shu)ChatBI在(zai)(zai)金融行業的(de)落地應(ying)用(yong)：了解(jie)ChatBI在(zai)(zai)智能問數(shu)、風控分析、業務增長(chang)、智能運營決(jue)策等領域的(de)應(ying)用(yong)和效(xiao)果。

3. 一站(zhan)式ChatBI落地方案：從技術選(xuan)型、模(mo)型選(xuan)型、智能(neng)評測、智能(neng)提(ti)數、智能(neng)分析、智能(neng)洞察等多(duo)維度(du)了解ChatBI的實現路徑和(he)技術原理。

落(luo)地(di)挑戰和方案(an)重點(dian)：

1. 數(shu)據(ju)準(zhun)確(que)性(xing)(xing)要(yao)求：金(jin)融對數(shu)據(ju)分(fen)析的準(zhun)確(que)性(xing)(xing)要(yao)求較高，如(ru)(ru)何解(jie)決大模(mo)型幻覺問(wen)題(ti)對金(jin)融數(shu)據(ju)提取和(he)分(fen)析準(zhun)確(que)性(xing)(xing)影響，如(ru)(ru)何從(cong)提問(wen)到(dao)分(fen)析理解(jie)到(dao)可(ke)解(jie)釋性(xing)(xing)到(dao)正確(que)執行全鏈路保證(zheng)準(zhun)確(que)性(xing)(xing)。

2. 數據(ju)復雜多樣難(nan)處理(li)(li)：金融行(xing)業數據(ju)對(dui)權限管理(li)(li)要求高(gao)，元(yuan)數據(ju)缺失嚴重，數據(ju)未被合理(li)(li)治理(li)(li)，如(ru)何對(dui)這些現(xian)有問(wen)題進行(xing)解(jie)決以(yi)提升ChatBI的效果和落(luo)地時效性。

3. 數據分析時效要(yao)求高：金融對數據的時效性要(yao)求高，如何解(jie)決快速提(ti)數和多人并發場景下的提(ti)數和數據分析洞察(cha)問(wen)題。

陳嘉毅 網(wang)易(yi)數帆資深(shen)產品(pin)經理

演(yan)講主題：有數ChatBI數據應用實踐

陳嘉毅，網易數(shu)帆資深產品經理。主要負責BI、ChatBI以及AI數(shu)據(ju)應用創新，曾就職于中國(guo)聯通，具備10年以上B端企業的BI解決方案經驗。

演講大(da)綱：

1、有數ChatBI產(chan)品簡介(jie)；

2、ChatBI核心能力：自然語義(yi)理解、意圖識別(bie)、可視(shi)化、統計分析、歸因分析

3、有(you)數ChatBI差異化優(you)勢(shi)

4、ChatBI 客戶案例和數(shu)據(ju)應用(yong)實踐

聽眾收益：

1、ChatBI產品落地實踐：如何快速(su)構(gou)建【低成本】【高準確率】的智能問(wen)答系統(tong)

2、ChatBI產(chan)品(pin)集成(cheng)策略：了解ChatBI產(chan)品(pin)集成(cheng)能力，讓自(zi)有系統(tong)搭載(zai)ChatBI能力

3、AI助(zhu)力(li)企(qi)業經管新范式：BI+AI打造企(qi)業級智能數據助(zhu)手

落地挑戰和(he)方案(an)亮點：

• 數據問答(da)準確率提升(sheng)

• AI對話產品(pin)的易用性設計

鐘雨 FreeWheel數據應用部門主任算法工程(cheng)師，數據智能算法團隊負(fu)責人

個人(ren)介紹：鐘雨，本科和研究生就讀于清華大學，現任FreeWheel數據應用部門主任算法工程師，數據智能算法團隊負責人，負責業務異常檢測、根因分析、ChatBI等。曾供職于京東廣告數據團隊，Spark Contributor，具備豐富的大數據開發與調優、數據挖掘和機器學習、大語言模型應用等經驗。

演講題目：ChatBI在FreeWheel視頻廣告行業(ye)最佳(jia)實(shi)踐

演講介紹：傳統 BI 工具存在學習成本高、分析能力匱乏等問題，隨著大模型技術的迅猛發展，ChatBI 在交互體驗、智能分析能力及使用效率等方面，相較于傳統 BI 實現了全方位的飛躍式提升。FreeWheel 在廣告運營和數據分析場景中，構建了基于大模型的 ChatBI 系統，實現了自然語言取數、 智能數據洞察，大幅提升了數據獲取與分析效率。本文將結合實際落地經驗，分享在智能選表、Text2SQL、可視化和數據分析 Agent 等方面的核心實踐，助力更多企業構建高效智能的數據分析體系。

演講大綱(gang)：

一(yi) 、ChatBI賦能視頻廣告行業

1. 背景和業務介紹

2. Insights Chatbot概述(shu)

3. 讓(rang)大(da)模型(xing)理(li)解業務問題

二、智能數據查詢落地實現

1. 指標與數據目錄

2. 關鍵(jian)詞(ci)提取(qu)

3. 智能選表(biao)（Schema Linking）

4. SQL生成與優(you)化

5. 數據可視(shi)化

三、智(zhi)能數據分析的(de)探索

1. 算法庫

2. Workflow

3. Agent

四、系統最(zui)佳(jia)實(shi)踐

1. 整體流程

2. 上下文優化

3. 效(xiao)果與反饋

4. 優化經驗分(fen)享

五、總結(jie)與展望(wang)

聽(ting)眾收益：

1. ChatBI在(zai)視頻(pin)廣告行業的落(luo)地(di)應用：了解Freewheel ChatBI在(zai)智能查數(shu)、異常(chang)檢測、根因分析等(deng)領域的應用和效(xiao)果(guo)。

2. 掌(zhang)握智(zhi)能選表的(de)關(guan)鍵(jian)技術(shu)與(yu)工(gong)程(cheng)實現(xian)：系統介紹從關(guan)鍵(jian)詞(ci)提取(qu)、表列召回(hui)到(dao)智(zhi)能決策(ce)優化的(de)完整技術(shu)鏈(lian)路，助(zhu)力(li)構建(jian)精準高效的(de)選表能力(li)。

3. 構(gou)建面(mian)向業務問(wen)題(ti)的數(shu)據分(fen)析能力：解讀如何(he)基于(yu) Workflow 與(yu) Agent 協同機制，實現(xian)靈活應對復雜數(shu)據分(fen)析需(xu)求的系統設計與(yu)落地路(lu)徑。

落地挑戰(zhan)和(he)方(fang)案重(zhong)點：

1. 業(ye)(ye)務邏輯復雜(za)，指標體系(xi)龐大：Freewheel視頻廣告業(ye)(ye)務涉(she)及多平臺(tai)、多渠(qu)道、多類型數據，如何準確理解(jie)用戶(hu)意圖、并將自(zi)然語言問題正(zheng)確映射到(dao)底層(ceng)數據結構，是(shi)落地(di)的核(he)心挑(tiao)戰(zhan)之(zhi)一

2. 分(fen)(fen)析(xi)場(chang)景(jing)多樣，需求動態變化：用戶的(de)分(fen)(fen)析(xi)需求覆蓋從日常報(bao)表分(fen)(fen)析(xi)到異常監測、從歸(gui)因分(fen)(fen)析(xi)到策略優化，場(chang)景(jing)差異大、鏈路復雜

王(wang)世飛 四川書亦餐飲(yin)管理有(you)限(xian)公司 CIO

個人介紹(shao)：王世飛，書亦燒仙草CIO，負責公司的信息技術方向，確保技術戰略與業務目標保持一致，從而推動公司的持續發展和創新。在海外及和上市公司擔任過高級信息技術管理職位，擁有超過二十年的行業經驗。相信信息技術不僅是支持業務運作的重要工具，更是推動企業變革、創造競爭優勢的關鍵力量。

演(yan)講題目(mu)：拒絕(jue)低效分析(xi)！看 AI Agent 如何幫助茶飲(yin)連鎖(suo)實現數倍(bei)分析(xi)提效