AI+BI是大模型在(zai)企業落地價(jia)值最(zui)高的(de)場(chang)景。為了深(shen)入探討 AI 技(ji)術如(ru)何賦(fu)能 BI 系(xi)統，提升數據處理、分析和決策的(de)智(zhi)能化(hua)與自動(dong)化(hua)水平，我們精心打(da)造了 DataFunSummit2025：AI + BI 智能驅動峰會。它是國內首個聚焦 AI + BI 領(ling)域(yu)的專業技術(shu)會議。作(zuo)為數據智能領(ling)域(yu)的專業社(she)區，我們深知技術(shu)和實踐對于企業發(fa)展的關鍵作(zuo)用，因此在會議內容的策(ce)劃上，力求豐富多元，覆蓋前沿技術(shu)、行業趨勢(shi)以(yi)及(ji)最(zui)佳實踐的深度解析。

這場會的核心價值主(zhu)張(zhang)：一場會(hui)，解決企業落(luo)地(di)AI+BI的全(quan)部問題！

上午場 09：00-12：00

主論壇(tan)：BI 3.0：AI+BI引領商(shang)業(ye)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(jiang)題目：數據(ju)+模型驅動AI Native應用發展(zhan)

演講大(da)綱：

1. 今年是(shi)AI Agent元年，企業在AI落地(di)時(shi)候遇到的挑戰該如(ru)何應

2. 最大的挑戰還是(shi)集中在多(duo)模(mo)態數據處理(li)和低成(cheng)本構建應用

3. 阿(a)里云(yun)提供了(le)端到端大數(shu)據AI一體化方案

聽眾(zhong)收(shou)益：

1. 端(duan)(duan)到端(duan)(duan)的AI Native應用(yong)（AI Agent）落(luo)地

2. AI+BI在企業的提效方案

落地(di)挑(tiao)戰和方(fang)案亮(liang)點(dian):

阿里云在(zai)中國乃至國際市場頭部客(ke)戶落地案(an)例分享和企(qi)業(ye)最佳實踐

朱濱 馬上(shang)消費金融技術專家(jia)，AIBI項目負責(ze)人

個人(ren)介紹(shao)：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)題目：AIBI在馬上消金場景中(zhong)的應用實(shi)踐探索

演講(jiang)介紹&演講(jiang)提綱：

一. 背景(jing)介紹

  1. 傳統BI在業(ye)務數據分析(xi)價值落地的挑戰(zhan)

  2. AI為增強分析在(zai)企業的(de)全面落地提供可能性

二(er). AIBI的(de)技術體系建設(she)

  1. 基于指標中臺+輕量BI+AIBI的產品體系

  2. 技術路線選(xuan)擇

  3. AIBI功能架構、業務能力架構

  4. 評測體(ti)系的(de)構建

三. AIBI應用(yong)場景探(tan)索

 ; 1. 業務落地方向 - BI Copilot、智(zhi)能問數(shu)、深(shen)度分析、數(shu)據門(men)戶

  2. 典型落地場(chang)景介紹

四. 未來展望

  1. 探索(suo)與實踐(jian)的(de)方向

  2. 新的挑戰

聽眾(zhong)收益：

1. 馬上消金在探索AI+BI過程中的一(yi)些經驗

2. 在構建企(qi)業(ye)級智能(neng)數據分析產品(pin)時的(de)一些(xie)實踐原則和模式(shi)

落地挑戰和方案重點(dian)：

1. 業務知識(shi)搜集的挑戰

2. 突破傳(chuan)統業務模(mo)式和業務/分析師的認知、習慣(guan)局(ju)限

3. AIBI生成結果的準確性、分析深度、穩(wen)定性如何(he)保證

周衛林 Aloudata 大應科技 創始人 & CEO

個人介紹：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(yan)講題(ti)目：對比印巴(ba)空戰看(kan) BI 代際革命與 Agent 技術突破

演講介紹&演講提綱：

一(yi)、對比(bi)空戰新范式看 BI 的(de)代際革命

1. 從(cong)近程(cheng)格(ge)斗到遠程(cheng)超(chao)視距(ju)攻擊 vs 從(cong)傳統 BI 到 BI Agent

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

二、BI Agent 技術(shu)突破：三鏈協同(tong)

1. 思維鏈

2. 數據(ju)鏈(lian)

3. 工具鏈(lian)

三、企業 BI Agent 應(ying)用(yong)展望(wang)與路徑

1. 印度模(mo)式(shi) vs 巴鐵模(mo)式(shi)

2. Aloudata Agent 體系(xi)介紹(shao)

聽(ting)眾收益：

1. 通過類比借鑒(jian)的方式(shi)，更深刻地理解 BI Agent 代(dai)際革命帶來的影響(xiang)

2. 通過講解 BI Agent 突(tu)破之道，更體系化地理解 BI Agent 的技術關鍵點

3. 建立(li)獨立(li)的思(si)考框架(jia)，設(she)計(ji)合適的 BI Agent 應用(yong)建設(she)路徑

劉(liu)巖 騰訊(xun)游戲數(shu)據技術負責人

個人介紹(shao)：劉巖(yan)，騰訊游戲數據(ju)技(ji)術(shu)負(fu)責人、資深專(zhuan)家。負(fu)責通過資產體系(xi)、技(ji)術(shu)平臺、AI、湖(hu)倉等技(ji)術(shu)降低游戲業務(wu)使用(yong)數據(ju)門檻，提升數據(ju)工(gong)作的效率，以數據(ju)驅動業務(wu)增長(chang)。

演講題目(mu)：LLM在騰訊游(you)戲(xi)的(de)數據分析實戰

演講介紹：騰訊游(you)戲從2023年(nian)開(kai)始(shi)使用(yong)LLM進行數(shu)據(ju)提(ti)取，經歷過(guo)多(duo)次版(ban)本迭(die)代，建立了基于(yu)AI的數(shu)據(ju)資產體系，實現(xian)大(da)模(mo)型(xing)數(shu)據(ju)提(ti)取在多(duo)個業務應用(yong)；在2025年(nian)初開(kai)始(shi)探(tan)索基于(yu)Deepseek R1 數(shu)據(ju)分析，采(cai)用(yong)MCP架構實現了基于SOP的分(fen)析報告生成。

演講大綱(gang)：

一、騰(teng)訊游戲(xi)在大模型工程(cheng)化的(de)探索

1.1 騰(teng)訊(xun)游戲應用大模型背景

1.2 大(da)模型工程化的(de)探索路徑

1.3 在(zai)數據提取領域(yu)的成果

二(er)、DeepSeek+MCP帶來的新(xin)變化

2.1  模型能力增強(qiang)帶(dai)來的應用AI化

2.2  MCP架構促進服(fu)務應用(yong)化

2.3  AI時代的資產體系

三、基(ji)于(yu)MCP架(jia)構(gou)的數(shu)據應(ying)用

3.1 公共模型(xing)(xing)+領(ling)域(yu)私(si)有模型(xing)(xing)聯合

3.2 現(xian)有系(xi)統的MCP適配

3.3 智能數據分(fen)析應用(yong)案例(li)

聽眾收益：

• 解(jie)(jie)鎖AI驅動新范式  ：了解(jie)(jie)騰訊游戲從智(zhi)能化路(lu)徑，理解(jie)(jie)業務需求與AI技(ji)術融合的實戰方法論。

• 加(jia)速分析(xi)自(zi)動化(hua)  ：獲取從數據(ju)提(ti)取、模型(xing)協同到場景化(hua)輸出的全鏈路(lu)效率提(ti)升方案(an)。

• 構建可持續資(zi)(zi)(zi)產體系  ：洞察數據資(zi)(zi)(zi)產與(yu)領(ling)域模型的(de)雙(shuang)向增強機制(zhi)，理解(jie)AI時代的(de)資(zi)(zi)(zi)產治(zhi)理等關鍵能力。

落地(di)挑(tiao)戰(zhan)和方案重(zhong)點(dian)：

• 復(fu)雜系統的(de)架(jia)構(gou)遷移(yi)  ：MCP架(jia)構(gou)的(de)兼容性改造需解(jie)決數據孤島打(da)破、服(fu)務(wu)化接口封(feng)裝等技術問題(ti)。

• 模型協同的(de)可靠性(xing)：公(gong)共大模型與私有領域(yu)模型的(de)聯合推理(li)面臨(lin)知識邊界沖突、生成結果可解釋性(xing)等工程化挑戰。

• 場景(jing)化落地(di)的精準度：在智能分析報告生成場景(jing)中，需(xu)平(ping)衡規(gui)則強約束與(yu)大(da)模型(xing)創造性之間的矛盾。

岑潤哲 數勢科技(ji)數據智能(neng)產品總經理

演講(jiang)題目：Data Agent：企(qi)業(ye)數據分析的范式革(ge)新——數勢科技SwiftAgent如何重塑分析決(jue)策邊(bian)界

演講提綱：

1. 行業痛點與范(fan)式(shi)革命(ming)：從(cong)傳統BI到(dao)Data Agent的躍遷

企業數據消(xiao)費的現狀與核心瓶(ping)頸

傳(chuan)統BI的(de)局限性：被動(dong)響(xiang)應(ying)、語(yu)義偏差、低效協作

常見數據(ju)分(fen)析方案的(de)共性短板：取數不準(zhun)、靜態(tai)語義(yi)、單(dan)點智能(neng)、數據(ju)洞察決策價值弱(ruo)

Data Agent定位和SwiftAgent產(chan)品架構：

從“工具執行”到(dao)“主動決策”：Data Agent的范式革新

SwiftAgent核(he)心價(jia)值(zhi)：0幻覺、0等待、0門檻

2. Data Agent落地的(de)三(san)大挑戰與數勢破局之道

• 挑戰一：復雜業務語義的精準(zhun)映(ying)射

傳統方案：規(gui)則引(yin)擎+自然語言解析的局限性（如NL2SQL準確率60%左右）

數(shu)勢創新：NL2Semantic Layer

統一語(yu)義層架構(gou)：引入統一語(yu)義層，查詢準確率100%

• 挑戰二：跨域復雜任務的高(gao)效協同(tong)

多數據源、多步驟(zou)任務的“碎片化”困局

數(shu)勢創新：Multi-agent協作架構

基于Agent架構識別任務要素，并行處理多源(yuan)數據，助力企業優化決策

案例：某零(ling)售企業跨(kua)渠道數據(ju)整合效率提升300%

• 挑戰三：業務動態適應的持續進化

傳統(tong)BI的(de)“一次性(xing)交付”陷阱(jing)：難以(yi)高效適應指標變更(geng)與場景迭代

數勢創新：Memory機制與持續學習

越用越智能，基于(yu)用戶行為優化(hua)更貼合業務需(xu)求的分析思路

3. 實戰(zhan)驗證：

• 案例一(yi)：頭部城商行(xing)(xing)案例：SwiftAgent 作為行(xing)(xing)長數(shu)據秘(mi)書，數(shu)據驅動智慧銀行(xing)(xing)決策

• 案例二：頭部連鎖茶飲(yin)品牌：SwiftAgent 幫助企業實現全自動(dong)門店數據分析和(he)督(du)導稽核

• 案例三：全球(qiu)消費品巨頭(tou)：SwiftAgent幫(bang)助品牌(pai)提(ti)升商品競(jing)爭力，優(you)化供應鏈(lian)效率

4. 未來展望：Data Agent的民主化(hua)和生態化(hua)

聽眾(zhong)收益：

1.認知升級：理解(jie)Data Agent與傳(chuan)統BI、ChatBI本質差異(yi)，掌握(wo)下一代(dai)數據分(fen)析范(fan)式演進方向(xiang)。

2.實戰洞(dong)察：獲(huo)取復雜業務場景下的Data Agent落地方法論，規避行業共(gong)性實施風險。

3.技術前(qian)瞻：學習大模型(xing)+指標(biao)語義層(ceng)+Multi-agent的數據(ju)分析Agent產品架構設計與實(shi)現路徑。

4.決策參考：通過商業最佳(jia)實踐，評估Data Agent在企業內的規模化(hua)價值。

百(bai)惱 螞蟻(yi)集團 高級技術專家

個人介紹：在阿里5年，螞蟻7年，主要負責螞蟻分析平臺DeepInsight

演講題目：DeepInsight Copilot演進史(shi)以(yi)及未(wei)來探索

演講介(jie)紹&演講提綱(gang)：

1. 弱模型+SFT

2. 強模(mo)型+RAG

3. 端(duan)到端(duan)的(de)解(jie)決方案

4. 評測集構建(jian)

5. 未來探(tan)索

聽眾收益：AI+BI，螞蟻積累了哪些經驗，未來有哪些路徑

下(xia)午(wu)場 14：00-18：00

專題(ti)論(lun)壇：AI-Ready數(shu)據底座論壇(tan)

分論(lun)壇內(nei)容介紹：

戴(dai)詩(shi)峰(feng) 騰訊(xun)游戲數據治理負責人

個人介紹：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(yan)講題(ti)目：大模型時代的智能數據服務

演講介紹：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：

一(yi)、騰訊游戲數(shu)據發展背景

1.1 騰訊游戲(xi)在數據工程發(fa)展(zhan)

1.2 如(ru)何提高數據使用效率(lv)

1.3 新(xin)技術帶來(lai)的數(shu)據資產變革

二(er)、基于AI的資產體系建設

2.1  構建(jian)“人(ren)和AI”都能理解的資(zi)產

2.2  基于邏輯的資產模型

2.3  湖(hu)倉架構(gou)實時(shi)化改(gai)造

三(san)、AI應用場景的探索

3.1 精細化運營的數據需求

3.2 應用工程技(ji)術架構

3.3 可量化的持續運營

聽眾收益：

• 掌握(wo)前沿技術(shu)：了解(jie)大模(mo)型(xing)在數據服務中(zhong)的(de)應用(yong)，了解(jie)騰訊游(you)戲(xi)的(de)應用(yong)實踐，為(wei)自身業(ye)務提供(gong)技術(shu)借鑒。

• 優化數據(ju)資產(chan)：學(xue)習構建高效數據(ju)資產(chan)體系的方法(fa)，提升數據(ju)復用率(lv)，增強數據(ju)驅動(dong)業(ye)務的能力。

• 提(ti)升(sheng)運營效率：借(jie)鑒(jian)騰訊游戲的數據(ju)資產(chan)運營經驗，掌握智能數據(ju)服(fu)務提(ti)高資產(chan)運營效率的策(ce)略。

落地挑戰和方案(an)重點：

1. 數據(ju)資產(chan)建設與(yu)管理的復雜性(xing)：需(xu)(xu)要將(jiang)業務(wu)需(xu)(xu)求、行業知(zhi)識、數據(ju)結構等多(duo)方面因素進行整合，沉(chen)淀出高質量的領域模型和資產(chan)知(zhi)識圖譜。同時(shi)，資產(chan)的治理、優(you)化和持續運營也面臨諸多(duo)挑戰(zhan)，如如何(he)確(que)保資產(chan)的準確(que)性(xing)、唯一性(xing)、復用性(xing)，如何(he)根據(ju)業務(wu)變化及時(shi)調(diao)整資產(chan)結構等。

2. 大模型(xing)等新技術(shu)的適配與穩定性(xing)(xing)(xing)：對于大模型(xing)的生成幻覺、知識庫的匹配、湖倉架構(gou)等技術(shu)方向(xiang)，如何保證架構(gou)的穩定性(xing)(xing)(xing)、可擴展性(xing)(xing)(xing)和(he)高性(xing)(xing)(xing)能(neng)，以滿足業務實時性(xing)(xing)(xing)和(he)靈活性(xing)(xing)(xing)的需求(qiu)。

趙波(bo) 火(huo)山引擎數據產品解決(jue)方案(an)高(gao)級架構師 

個人介紹：

• 深耕10余年國(guo)(guo)際(ji)和(he)國(guo)(guo)內(nei)公有云數據(ju)平臺(tai)、數據(ju)庫和(he)機器學(xue)習(xi)領(ling)域；

• 曾參與Microsoft Azure和Power BI落地中國(guo)、HPE Vertica中國(guo)區(qu)業務、國(guo)產數據庫、數據平(ping)臺等工(gong)作；

• 廣泛服務(wu)于互聯網、金融、工業制造、公共(gong)事業、科研等行(xing)業頭部(bu)客戶。

演講(jiang)題目：重塑數據根基：Data+AI 多模態數據湖實戰路徑

演講介紹(shao)：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。

本次演(yan)講將緊扣(kou) Data+AI 前沿趨(qu)勢，深(shen)度解(jie)析(xi)如(ru)何依托多模態數(shu)據(ju)湖等(deng)創新能力(li)，搭建面向未來的(de)(de)新一代(dai)數(shu)據(ju)基礎設(she)施，并結合多行業實(shi)戰(zhan)案例(li)，呈現技術落地(di)的(de)(de)全(quan)景(jing)藍圖。

演講大綱：

• 行(xing)業痛點：AI時代，非(fei)結構(gou)化數據帶來數據存儲(chu)、計(ji)算和治理困(kun)境(jing)，如(ru)數據孤島、質量參(can)差、多模(mo)態融合難

• Data+AI的范式變化(hua)：Data+AI的飛輪(lun)效應，數據滋養(yang)AI 到 AI反哺數據治理

• 多模態(tai)數據管道的(de)工程(cheng)實(shi)踐：多模態(tai)數據管道的(de)架構設計(ji)原理、關鍵組件實(shi)現以及(ji)性(xing)能優化技巧

• 新(xin)場景探索與展望(wang)：多(duo)模態數(shu)據(ju)(ju)湖在數(shu)據(ju)(ju)預(yu)訓(xun)練(lian)、后訓(xun)練(lian)、數(shu)據(ju)(ju)挖掘等場景中的應(ying)用實踐

聽(ting)眾(zhong)收益：

• 掌(zhang)握Data+AI驅動(dong)的大規模數據(ju)系統(tong)設(she)計原則(ze)，理解從傳統(tong)ETL到智能管道的升級路徑。

• 獲得多(duo)模態數(shu)據處(chu)理(li)等場景的落地經驗。

• 了解數據挖掘與AI結合的未來趨勢，明確技(ji)術規劃(hua)方(fang)向。

張曉明(ming) 愛奇藝(yi)技術總監

個(ge)人介(jie)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。

演講題目：盤活數據資產，驅動(dong)價(jia)值釋放：數據倉庫與ChatBI的融合之道

演(yan)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。

演講提綱：

1. 背(bei)景介紹

2. ChatBI架構概覽

3. ChatBI模塊解析

4. 接入數倉數據

6. 數據的準確(que)性評估（測試方案、內容版本(ben)方案）

7. 性(xing)能與成本的平衡 

8. 落地實(shi)踐(jian)

聽眾收益：

1.基于數據倉庫的(de)搭(da)建ChatBI的(de)契合點是什么？

2.如何數據建(jian)模讓ChatBI更懂數據？

落地挑戰(zhan)和方案重點(dian)：

1.如何(he)讓用戶使(shi)用ChatBI數據(ju)更有信心？

2.數據查(cha)詢的性能問題(ti)

關鍵詞：

ChatBI、大數據(ju)、數據(ju)倉庫、數據(ju)資產(chan)、知識庫

林鵬 美團數據(ju)團隊負責人

個人介紹：現任美團酒(jiu)店旅(lv)行(xing)事業(ye)部數(shu)(shu)據(ju)團隊負責人，聚焦數(shu)(shu)據(ju)智能在(zai)(zai)業(ye)務(wu)場景的產(chan)業(ye)化(hua)落地。擁(yong)有十年數(shu)(shu)據(ju)架構實戰經驗，曾參與數(shu)(shu)據(ju)平(ping)臺方向從零到一(yi)(yi)的體(ti)系化(hua)建(jian)設，在(zai)(zai)實時計(ji)算引擎架構、流批一(yi)(yi)體(ti)特征工程平(ping)臺、Data+BI融合分析體(ti)系等前沿領(ling)域具備(bei)一(yi)(yi)定(ding)積累，實現數(shu)(shu)據(ju)資產(chan)向業(ye)務(wu)價值的規模化(hua)轉化(hua)。

演講題目：酒(jiu)店旅(lv)行在M端(duan)場景的數據智能化應用和探索

演講(jiang)介(jie)紹：酒旅(lv)業(ye)務小助手服務于酒旅(lv)事業(ye)部(bu)組(zu)織提(ti)(ti)效，借助大模型實現(xian)M端(duan)分(fen)析師(shi)、運營、銷售各職能(neng)(neng)(neng)個人工作(zuo)提(ti)(ti)效和跨職能(neng)(neng)(neng)的(de)(de)流程優化(hua)，我們圍繞“數據(ju)-信息(xi)(xi)-策略-行動”建(jian)設核心能(neng)(neng)(neng)力(li)，數據(ju)上，完成規(gui)模化(hua)取(qu)數能(neng)(neng)(neng)力(li)的(de)(de)探(tan)索，信息(xi)(xi)上完成部(bu)分(fen)信息(xi)(xi)非結構化(hua)知識的(de)(de)接入，策略上實現(xian)了分(fen)析診斷和初步業(ye)務建(jian)議(yi)輸出，行動上將業(ye)務診斷建(jian)議(yi)的(de)(de)結果作(zuo)用于播報工具、智(zhi)能(neng)(neng)(neng)問(wen)答、銷售等(deng)場景(jing)實現(xian)數據(ju)智(zhi)能(neng)(neng)(neng)化(hua)閉環。

演講(jiang)大綱：

1. 架(jia)構(gou)革(ge)新：從傳(chuan)統指標倉(cang)庫向AI驅動的(de)數倉(cang)2.5層架(jia)構(gou)演進，實現分(fen)層架(jia)構(gou)的(de)智能化(hua)簡(jian)化(hua)

2. 資產(chan)轉型：數據(ju)資產(chan)建設從服務人工分析轉向支持(chi)人機協(xie)同的(de)元(yuan)數據(ju)體系建設

3. 能力升(sheng)級(ji)：數(shu)據(ju)處理(li)范(fan)疇從(cong)結構化數(shu)據(ju)擴展到(dao)非(fei)結構化知(zhi)識(shi)增強與融合

4. 評估(gu)體系(xi)：構建(jian)端到端的AI取數(shu)準確性評估(gu)框架(jia)與方法論

聽(ting)眾收益：

1. 數(shu)(shu)倉扁平化架構(gou)升級(ji)：如何在傳統(tong)數(shu)(shu)倉建模基礎上實現(xian)數(shu)(shu)倉架構(gou)改造，并提(ti)升數(shu)(shu)據(ju)獲取效率(lv)。

2. 非結構化(hua)知識(shi)清(qing)洗：如何基于業務實(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(biao)準化(hua)清(qing)洗。

3. Agent架構(gou)演進(jin)：參照業(ye)界(jie)大模(mo)型的(de)新(xin)技術實現預置工作流模(mo)式向自(zi)動生(sheng)成工作流到智能體的(de)演進(jin)。

落地挑戰和方案(an)重點：

1. AI取數(shu)場景的泛化問題

2. 數(shu)據分析框架的(de)泛(fan)化問題

3. 預(yu)制工作流和agent的發展演(yan)進過程

4. 數(shu)倉架(jia)構的寬表建(jian)模和性能優化(hua)

專(zhuan)題論壇：AI+BI智能中(zhong)臺(tai)論壇

分論壇內容介紹：

卓孔圣 理想汽車 高(gao)級算法(fa)工程師(shi)

個人介(jie)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(mu)：大模型幻(huan)覺檢測在垂域任務(wu)的應(ying)用(yong)實踐

演講(jiang)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. 什么是(shi)大模型幻覺？

2. 為什么(me)會出現幻覺？

3. 幻(huan)覺(jue)會造成哪些影響

  1. 積極(ji)影(ying)響

  2. 消極影響

4. 幻覺檢測的研究進展

  1. 主要有哪些方法及適(shi)用場景

    1. 有監督、

    2. 無監督(du)

5. 幻覺檢測(ce)應用(yong)實踐

  1. 生(sheng)成式分類任務

  2. 信息抽取(qu)任務

3. SQL生成(cheng)（復(fu)雜且精(jing)準生成(cheng)）

6. 未來展望(wang)

 1. 基于對模型機制的分析(xi)

聽眾收(shou)益：

1. 大(da)模型幻覺檢測技術(shu)的(de)發(fa)展(zhan)現狀

2. 如(ru)何(he)選擇大模型(xing)檢測方法用于自己的業務場景

3. 大(da)模型幻覺檢測的(de)應用(yong)經(jing)驗

落地(di)挑戰(zhan)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(qi)翔 螞蟻(yi)數(shu)科NLP和Agent算法負(fu)責人(ren)，高級算法專家

個人介紹：齊翔，螞蟻數科NLP和Agent算法負責人，高級算法專家。

中(zhong)(zhong)科(ke)大本(ben)科(ke)，中(zhong)(zhong)科(ke)院計(ji)算機專業博士(shi)，博士(shi)方向專注NLP/機器學習領域(yu)，負(fu)責螞蟻數科(ke)ToB Agent算法研發(fa)，關注Agent在B端嚴肅領域(yu)的知識(shi)工程、復雜任務(wu)推(tui)理、場景評(ping)測(ce)和(he)系統(tong)進化等課題。

演講題(ti)目(mu)：結合知識工程的ChatBI在螞蟻數科的實踐

謝(xie)苑珍 騰訊任高級算法研究員

個人(ren)介紹：

• 本(ben)碩畢(bi)業(ye)于中(zhong)山大學，現于騰訊任高級算(suan)法研究員(yuan)

• 發表(biao)期刊會議（KBS，ACL, WSDM, CIKM等）論文8篇

• 目前(qian)主要(yao)從事大模型在數據分析領域(yu)的(de)前(qian)沿探索和落地

演講題目：分(fen)解以提升(sheng)注意力：通過工作流范式提升(sheng)text-to-SQL的落地性(xing)能(neng)

演(yan)講介紹(shao)：待補充

演講大綱：

一、背(bei)景(jing)

Text-to-SQL的相關研(yan)究

Text-to-SQL面臨的挑(tiao)戰(zhan)

二(er)、DEA-SQL(分(fen)解提升(sheng)注(zhu)意(yi)力的工作流范式)方法介(jie)紹

簡介概覽(lan)與模塊介紹

實驗(yan)設計(ji)與結論

三、落地OlaChat, OlaSQL相(xiang)關實踐概覽

四、總結與未來展(zhan)望(wang)

聽眾收益：

1）text-to-SQL的研究進(jin)展和工(gong)作流范式

2）企業該如何落(luo)地text-to-SQL應用

3）未來text-to-SQL的研究和(he)實踐展望

落(luo)地挑戰和方案重點：

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)

胡松林 理想汽車(che) 算法工(gong)程師

個人(ren)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。

演講題目：NL2SQL自(zi)動化數據合成在理想(xiang)汽車(che)實踐

演(yan)講(jiang)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。

演講大綱：

1. NL2SQL中數據合(he)成所扮演(yan)的角色

2. 數據合成面臨的挑戰

3. 基于中(zhong)間表示的數據合(he)成(cheng)方案

4. 相(xiang)關實驗結(jie)論和(he)認知導出

5. 不(bu)足和展望

聽眾收(shou)益：

1. 如何處理領域(yu)知(zhi)識

2. NL2SQL數據配(pei)比思路

落地(di)挑戰和方案重(zhong)點：

1. 語(yu)義復(fu)合指標（例如占(zhan)比）其SQL邏輯要結合具體問題(ti)判(pan)斷

2. 領(ling)域知識快(kuai)速(su)變化(hua)，導致不同版本的(de)數(shu)據無(wu)法兼(jian)容

專(zhuan)題論壇(tan)：AI+BI典型場景實踐

分論壇內容介紹：

彭陽 百度(du) 技術專(zhuan)家

個人(ren)介(jie)紹：目(mu)前在百(bai)度主要負責數據中臺(tai)的數倉建(jian)(jian)設、數據智能分析洞察、智能預警等工作(zuo)，包括數據基建(jian)(jian)、大(da)(da)模型agent應用(yong)(yong)等，在公司內在大(da)(da)數據、大(da)(da)模型應用(yong)(yong)上積累了十多(duo)(duo)篇一級專利，有著多(duo)(duo)年的數據應用(yong)(yong)開發經驗。

演講題(ti)目：百(bai)度App線上(shang)異常指標(biao)智(zhi)能(neng)洞(dong)察

演講介紹(shao)：企業在數(shu)據(ju)中(zhong)臺通常會針對(dui)端進(jin)(jin)行(xing)各項業務數(shu)據(ju)指(zhi)(zhi)標的(de)(de)(de)建(jian)設，核心指(zhi)(zhi)標將直接影響(xiang)APP產(chan)品(pin)效果以及(ji)用(yong)(yong)戶(hu)使用(yong)(yong)體(ti)驗(yan)(yan)。因此，當核心指(zhi)(zhi)標出現波動或者下滑時(shi)(shi)，能夠迅速的(de)(de)(de)分(fen)析波動情(qing)況，快速定(ding)位(wei)(wei)(wei)并解決問(wen)(wen)(wen)(wen)題(ti)(ti)，對(dui)減少(shao)用(yong)(yong)戶(hu)受影響(xiang)范(fan)圍(wei)和提升整體(ti)APP用(yong)(yong)戶(hu)體(ti)驗(yan)(yan)至關重要。當業務出現線上(shang)指(zhi)(zhi)標波動時(shi)(shi)，整體(ti)的(de)(de)(de)定(ding)位(wei)(wei)(wei)流程較為繁瑣，包括(kuo)業務數(shu)據(ju)分(fen)析、問(wen)(wen)(wen)(wen)題(ti)(ti)的(de)(de)(de)值班分(fen)發、上(shang)線單(dan)的(de)(de)(de)召回、線上(shang)問(wen)(wen)(wen)(wen)題(ti)(ti)的(de)(de)(de)修復(fu)等，整個(ge)過(guo)程全(quan)依賴(lai)人工(gong)進(jin)(jin)行(xing)問(wen)(wen)(wen)(wen)題(ti)(ti)的(de)(de)(de)定(ding)位(wei)(wei)(wei)和跟(gen)進(jin)(jin)，問(wen)(wen)(wen)(wen)題(ti)(ti)的(de)(de)(de)定(ding)位(wei)(wei)(wei)和解決時(shi)(shi)間依賴(lai)于值班同學(xue)的(de)(de)(de)分(fen)析能力以及(ji)對(dui)各個(ge)組件的(de)(de)(de)熟悉(xi)成都，導致(zhi)從線上(shang)指(zhi)(zhi)標波動到問(wen)(wen)(wen)(wen)題(ti)(ti)修復(fu)時(shi)(shi)間過(guo)長(chang)，加大了(le)對(dui)線上(shang)業務的(de)(de)(de)影響(xiang)。

因(yin)此，我們構(gou)建了(le)線上(shang)指(zhi)標異常智(zhi)能(neng)(neng)洞察的(de)(de)項(xiang)目(mu)，基于業務本身同(tong)時(shi)結合大(da)模型構(gou)建了(le)多個(ge)Agent，包(bao)括(kuo)歸因(yin)分(fen)析、上(shang)線召回、用(yong)戶行為分(fen)析、智(zhi)能(neng)(neng)問數等。同(tong)時(shi)，構(gou)建了(le)智(zhi)能(neng)(neng)規劃編排(pai)(pai)模塊，基于大(da)模型的(de)(de)決策判(pan)斷(duan)、工(gong)具調(diao)用(yong)和長期記憶能(neng)(neng)力，根據不(bu)同(tong)的(de)(de)業務場景，制定不(bu)同(tong)的(de)(de)定位路徑(jing)，將業務排(pai)(pai)查問題的(de)(de)整(zheng)個(ge)過程進行串聯，在業務線上(shang)指(zhi)標波動時(shi)，快(kuai)速的(de)(de)對問題進行召回。Agent整(zheng)體準確(que)率(lv)82%，線上(shang)指(zhi)標異常的(de)(de)召回時(shi)間從小時(shi)級->分(fen)鐘級。

演講大綱：

1、數(shu)據中臺業務建(jian)設背景

2、業務指標建(jian)設過程

3、大(da)模(mo)型賦(fu)能業務

    歸(gui)因分析

    上線召回

    用戶行為(wei)分(fen)析

4、 multi agent協(xie)同工(gong)作

聽眾收益：

1、 技術選型，大(da)模型和業務的結合能力

2、 Agent應用(yong)的落地

3、 多Agent編排模塊(kuai)的落地

落地(di)挑戰和方案重點：

1. 為了(le)貼近業(ye)(ye)務(wu)(wu)，真正幫助(zhu)業(ye)(ye)務(wu)(wu)，Agent構建過(guo)程(cheng)中不(bu)可避免的有(you)業(ye)(ye)務(wu)(wu)定制化(hua)的流程(cheng)，那(nei)么對于新接(jie)入一(yi)個業(ye)(ye)務(wu)(wu)來說(shuo)，成本相(xiang)比純通(tong)用化(hua)的設(she)計會更高(gao)一(yi)些。

2. 目(mu)前Agent的規劃能力并不是完全自主的，整體的運行流程還是依(yi)賴(lai)于基于業務(wu)構建的知(zhi)識圖譜DAG。

關鍵詞：

大模型、知識圖譜、Agent 應用

海書山(shan) 火山(shan)引(yin)擎Data Agent項(xiang)目負責人

個(ge)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(fu)責(ze)火山引(yin)擎Data Agent 項目，致力于將前沿的大模(mo)型技術與企業核心(xin)數(shu)(shu)據(ju)深(shen)度(du)融合，打(da)造能(neng)夠(gou)自主思考、洞察并(bing)行動(dong)的新一(yi)代“數(shu)(shu)字專(zhuan)家”，幫(bang)企業迎接數(shu)(shu)據(ju)驅動(dong)的全(quan)新增長(chang)時代。

演講題目：Data Agent：超越BI與AI的邊界

演講介(jie)紹(shao)：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。

演講大綱：

• 企業如何實現新舊數據能力的協同(tong)進化

• Agent 落地場景選擇與價值衡量

• 數(shu)據分(fen)析智能體如(ru)何重塑數(shu)據分(fen)析鏈(lian)路，突破數(shu)據價(jia)值(zhi)瓶(ping)頸

• 從 ChatBI 到 分(fen)析(xi)Agent：決策智能的躍(yue)進

• 適配行業場景解讀及分析Agent演示

聽眾收益：

1. 掌握數據能力迭代方法論

2. 明晰 Agent 落地(di)實(shi)踐路徑與價值(zhi)評估方法

3. 清晰理解(jie)洞察決(jue)策智(zhi)能升(sheng)級方向

張衛(wei) 小米集團技(ji)術委員會 專家(jia)算(suan)法工程師

個(ge)人介紹：小米集團技(ji)術委員會專家算法(fa)工程師，目前負責AI創(chuang)新(xin)應用的相關工作，包(bao)括智能(neng)代碼(ma)助手、智能(neng)數據分(fen)析、智能(neng)問(wen)答助手等(deng)。曾就職于(yu)騰訊、阿里等(deng)公司，有十多年的搜廣推(tui)、NLP算法(fa)經驗。

演(yan)講題目：從"數(shu)據"到"決策": 小米DIMI驅動業務增長實踐

演講(jiang)介紹(shao)：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：

 一、業務背景

1. 小米業務多(duo)元化(hua)與(yu)數據爆炸式增長

2. 傳統數據分析工具(ju)的局限性

3. 對智能決策工具的(de)需(xu)求催生DIMI

二、方(fang)案選型

1.基礎(chu)問數

2.復雜(za)分析

3.深度報告

三(san)、落地挑戰

1. 算法泛化性不足

2. 業(ye)務拓(tuo)展成本高

四、解決思路(lu)

1. 數據治理

2. 算(suan)法優(you)化

3. 架(jia)構優(you)化

五、未(wei)來規(gui)劃(hua)

1. 持續優化(hua)算(suan)法能力

2. 拓展(zhan)業務應用場景

六、總結

1. DIMI在業務增長中(zhong)的價值(zhi)體現

2. 技術(shu)創新與(yu)業(ye)務(wu)需求的緊密(mi)結合

3. 對(dui)未來數據驅動(dong)決策的展望

聽眾(zhong)收益：

1. 了解BI+AI融合技(ji)術(shu)(shu)在企業業務(wu)增長中的具(ju)體應(ying)用案例(li)，掌(zhang)握(wo)如(ru)何將(jiang)前沿技(ji)術(shu)(shu)落地到(dao)實際(ji)業務(wu)場景(jing)。

2. 學習(xi)問數+分析實踐經驗，如何提升(sheng)算法準確性。

3. 獲(huo)得關于如何(he)推(tui)動企業數字化轉型和智能決策體(ti)系建設的(de)思(si)路與方法。

落地挑戰和方案重點：

1. 算法(fa)(fa)泛(fan)化(hua)能力(li)不足：面(mian)對不同業(ye)務(wu)領(ling)域的復雜需(xu)求(qiu)，現有算法(fa)(fa)在新場景下(xia)的適應性有待(dai)提(ti)高，需(xu)要進(jin)一(yi)步優化(hua)模型架構(gou)和訓練策略。

2. 橫(heng)向復(fu)制成(cheng)本：在業務快速(su)變化的場景(jing)下(xia)，數據質量也參(can)差不齊，如(ru)何使用大模型(xing)技術對數據進(jin)行診斷及優化。

翁(weng)旭(xu)東(dong) 騰(teng)訊PCG數據分析平(ping)臺算法工程(cheng)負責人(ren)

個人介紹：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。

演講題目(mu)：從(cong)Excel到AI大數(shu)據表格：以“實用(yong)技術無感(gan)融入”用(yong)戶分析工作(zuo)流為目標，如何用(yong)輕量(liang)化工具重構企(qi)業級數(shu)據分析

演講(jiang)介紹(shao)：展示一款AI分析型表格工具（Tomoro-小表格分析大數(shu)據）的技術差異化優勢（億(yi)級數(shu)據處(chu)理+復雜任務(wu)通過率(lv)+多Agent組合應用框架(jia)）

背景：在BI工具(ju)建(jian)設過(guo)程中發現(xian)，非技術(shu)人員在進行(xing)自助(zhu)分(fen)析時(shi)依(yi)然(ran)面臨(lin)顯(xian)著障礙。用(yong)戶期望(wang)能(neng)通過(guo)Excel上一些(xie)熟悉的(de)方(fang)式來解決他們的(de)數據處(chu)理(li)及分(fen)析問題。基于以上構(gou)建(jian)全(quan)新的(de)通用(yong)分(fen)析工具(ju)，Excel表格 + BI大(da)數據 + AI大(da)模(mo)型 。

挑戰：

1、表(biao)格形態操作下，如何解決超十億量級數據的計算處理性能，做到秒級響應？（Excel能力(li)上限不(bu)超過(guo)百(bai)萬級）

2、基于大模型的智能分析Agent 如何(he)做(zuo)到(dao) 可用、可信、快速（準確性與效率提升），能解決多復雜的問題(ti)？（復雜分析任(ren)務完成率）

解決方(fang)案&思路(lu)：

1、分層計算框架

2、以(yi)提(ti)升(sheng)任務通(tong)過率為目標的多智能DS Agent + MCP工具支(zhi)持

演講大綱：

? 內容方(fang)向：

? 主題示例："從Exce到(dao)AI大(da)數(shu)(shu)據表格：以"實用技(ji)術無(wu)感融入"用戶(hu)分析(xi)工作流(liu)為目標，如何用輕量化(hua)工具重構企業級數(shu)(shu)據分析(xi)"

? Al Everywhere： 將(jiang)AI能力融入Tomoro 的用戶自助分析過程(cheng)，提高效(xiao)率(lv)，降(jiang)低分析門檻；

? 分層計算框架關(guan)鍵技術手段：數(shu)據通過預(yu)計算、內存(cun)物化(hua)、高性能OLAP引(yin)擎；AI基于Modin、Ray加(jia)速(su)；

? 增強提(ti)升(sheng)復雜(za)任務完成(cheng)率(lv)：用(yong)戶(hu)(hu)可感知價(jia)值、用(yong)戶(hu)(hu)可明確任務是(shi)否(fou)(fou)符合預期、用(yong)戶(hu)(hu)可識(shi)別是(shi)否(fou)(fou)錯誤、可校(xiao)正錯誤迭代嘗試，以提(ti)升(sheng)任務整體通過率(lv)為目標建設智能(neng)應(ying)用(yong)Agent&核心運(yun)算Tools；

? 數(shu)據解(jie)讀核心Agent集合：在(zai)多模(mo)態、動態環境(jing)中，實現意圖(tu)-數(shu)據-工具(ju)的高效(xiao)閉環對齊，并(bing)確(que)保跨階段狀態遷移的魯(lu)棒性、可(ke)(ke)解(jie)釋(shi)性與(yu)分析效(xiao)率。以及如何解(jie)決(jue)在(zai)AI分析過程中所(suo)遇到的困難：①語義模(mo)糊&數(shu)據質量&計算性能；②有效(xiao)性&amp;可(ke)(ke)解(jie)釋(shi)性&速度；構(gou)建+輸(shu)入(ru)邊界打開，實現從洞察到體驗的全面升(sheng)級；

? 多Agent組(zu)(zu)合(he)應(ying)用(yong)：通(tong)過智能分(fen)析導航 +專業的分(fen)析Agent&Tool Agent+大模型Coding能力的組(zu)(zu)合(he)應(ying)用(yong)，探(tan)索實現Tomoro 多場景的智能(neng)化應用。

聽眾收益(yi)：

1.AI+BI應用實踐交流(liu)

2.分層計算思路探索實踐交流(liu)

3.多智(zhi)能體Ds Agent探索實踐交流

落(luo)地挑戰(zhan)和方案重(zhong)點：

考(kao)慮用(yong)戶使用(yong)習(xi)慣，結(jie)合 Data Agent技術和(he)數(shu)據(ju)分析工程實踐構建簡單(dan)、易用(yong)、有(you)價值的新數(shu)據(ju)分析智(zhi)能應(ying)用(yong)

1.計算邊界（可分析的數據范(fan)圍和能(neng)力(li)靈(ling)活度(du)之間的trade off）

2.多智能體DS Agent的效果和通(tong)過率(lv)問題（需要持續迭代提升）

專題論壇：AI+BI行業最佳(jia)實(shi)踐

分論壇內容(rong)介紹：

王小東 新希望金融 AI中心總經(jing)理

個(ge)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(yan)講題(ti)目(mu)：ChatBI在(zai)金融業務中的落地實(shi)踐

演講介紹：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。

演講大綱：

1 現有(you)BI在金融行業的應用背景

1.1 數(shu)據分(fen)析對金(jin)融(rong)的重要性(xing)

1.2 數據分(fen)析在金融業(ye)務中(zhong)的應用(yong)場景

2 人工智(zhi)能技術給(gei)數(shu)據分析(xi)帶來的機(ji)遇與挑戰(zhan)

2.1 傳(chuan)統AI+BI技術(shu)

2.2 大(da)模型+BI技術

3 智數ChatBI落地實(shi)踐

3.1 產品(pin)介紹

3.2 技術架構

3.3 如何0-1搭建ChatBI

3.4 核(he)心功能(neng)技術詳(xiang)解

3.5 核心(xin)算法技術詳解

4 智(zhi)數(shu)ChatBI落地應用案例

4.1 智能提數

4.2 金融風控智能決策

4.3 業務(wu)智能增長

5 總結(jie)和展望

5.1 智數(shu)ChatBI總(zong)結

5.2 下一步(bu)研發計(ji)劃

聽眾收益：

1. 解(jie)鎖AI+BI賦能(neng)金融新范式：了解(jie)如何結(jie)合(he)AI+BI提升數據分析效率(lv)和洞察(cha)能(neng)力。

2. 智(zhi)(zhi)數ChatBI在金(jin)融行業(ye)(ye)的落地應用：了解ChatBI在智(zhi)(zhi)能(neng)問(wen)數、風控分析、業(ye)(ye)務增長、智(zhi)(zhi)能(neng)運營決策等領域的應用和(he)效(xiao)果。

3. 一站式(shi)ChatBI落地方案：從(cong)技術選型、模型選型、智(zhi)能(neng)(neng)評(ping)測(ce)、智(zhi)能(neng)(neng)提(ti)數、智(zhi)能(neng)(neng)分析(xi)、智(zhi)能(neng)(neng)洞察(cha)等多維度了(le)解ChatBI的實現(xian)路(lu)徑和技術原(yuan)理。

落地(di)挑戰(zhan)和方(fang)案重點：

1. 數(shu)據準(zhun)確(que)(que)性要(yao)(yao)求(qiu)：金融(rong)對(dui)數(shu)據分(fen)析的準(zhun)確(que)(que)性要(yao)(yao)求(qiu)較高，如何解(jie)決大模(mo)型幻覺問(wen)題對(dui)金融(rong)數(shu)據提取和分(fen)析準(zhun)確(que)(que)性影(ying)響，如何從提問(wen)到(dao)分(fen)析理解(jie)到(dao)可解(jie)釋性到(dao)正確(que)(que)執行全鏈路保證(zheng)準(zhun)確(que)(que)性。

2. 數(shu)據(ju)復(fu)雜(za)多樣(yang)難處理(li)：金(jin)融行業數(shu)據(ju)對(dui)權限管理(li)要(yao)求高，元數(shu)據(ju)缺失嚴重，數(shu)據(ju)未被(bei)合(he)理(li)治理(li)，如何對(dui)這些現有問(wen)題進行解(jie)決以提升ChatBI的(de)效果和落(luo)地(di)時效性。

3. 數(shu)(shu)據分析(xi)時效要求高：金融對(dui)數(shu)(shu)據的(de)時效性要求高，如何解決快速提數(shu)(shu)和多人并發場景下的(de)提數(shu)(shu)和數(shu)(shu)據分析(xi)洞察問題。

陳嘉毅(yi) 網(wang)易數(shu)帆資深產(chan)品經(jing)理

演講主(zhu)題(ti)：有數(shu)ChatBI數(shu)據應用實踐

陳嘉毅(yi)，網(wang)易數(shu)帆(fan)資深產品經理。主要負(fu)責BI、ChatBI以(yi)及AI數(shu)據(ju)應用(yong)創新，曾就職于中(zhong)國聯通，具備10年(nian)以(yi)上B端企(qi)業的(de)BI解決方案(an)經驗。

演講大綱：

1、有(you)數(shu)ChatBI產(chan)品簡介；

2、ChatBI核心(xin)能力：自然語義(yi)理(li)解、意圖(tu)識別、可視化(hua)、統計分析、歸(gui)因分析

3、有數ChatBI差(cha)異化優勢

4、ChatBI 客戶案例和數據應用實踐

聽眾(zhong)收益：

1、ChatBI產品落(luo)地實踐：如何快速構建【低成本】【高準確率】的智能問(wen)答(da)系統

2、ChatBI產品(pin)集成策略：了解(jie)ChatBI產品(pin)集成能力(li)，讓自有系統搭載ChatBI能力(li)

3、AI助力企(qi)業經管新范式：BI+AI打造企(qi)業級(ji)智能數據助手

落(luo)地挑(tiao)戰和方案亮點：

• 數據問答準確率提升

• AI對(dui)話產品(pin)的易用性設計

鐘雨 FreeWheel數據應用部(bu)門(men)主(zhu)任算法工程(cheng)師，數據智能算法團(tuan)隊負責人

個人介紹：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(yan)講(jiang)題目：ChatBI在FreeWheel視頻廣(guang)告行業最佳實踐

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(jiang)大綱：

一 、ChatBI賦能視(shi)頻廣(guang)告行業

1. 背景和業務介紹

2. Insights Chatbot概(gai)述

3. 讓大(da)模型(xing)理(li)解業務(wu)問題

二、智能(neng)數據查詢(xun)落地實現

1. 指(zhi)標與數據目錄

2. 關(guan)鍵詞(ci)提(ti)取

3. 智(zhi)能選(xuan)表（Schema Linking）

4. SQL生成(cheng)與優(you)化

5. 數據可視(shi)化(hua)

三、智能數據(ju)分析的探(tan)索

1. 算(suan)法庫

2. Workflow

3. Agent

四(si)、系統(tong)最佳實踐(jian)

1. 整體(ti)流(liu)程

2. 上下文(wen)優化

3. 效果與(yu)反饋

4. 優化經驗分享

五、總結與展望(wang)

聽(ting)眾收益(yi)：

1. ChatBI在視(shi)頻廣告行(xing)業的落地應(ying)用：了解Freewheel ChatBI在智能查數、異常檢測、根因分析等領域的應(ying)用和效(xiao)果。

2. 掌握智(zhi)能(neng)選表(biao)的關鍵(jian)(jian)技術與工程(cheng)實現：系統介紹從關鍵(jian)(jian)詞提(ti)取、表(biao)列召回(hui)到智(zhi)能(neng)決(jue)策優化的完(wan)整技術鏈(lian)路(lu)，助(zhu)力(li)構建精準(zhun)高效的選表(biao)能(neng)力(li)。

3. 構建面向業務問題的數(shu)(shu)據分析能力：解讀如何基(ji)于 Workflow 與 Agent 協同機制，實現靈(ling)活應對復雜數(shu)(shu)據分析需求的系統設計與落地(di)路(lu)徑。

落(luo)地挑(tiao)戰和(he)方案重點：

1. 業務邏輯復雜，指標(biao)體系(xi)龐大(da)：Freewheel視頻(pin)廣告業務涉(she)及多(duo)平臺、多(duo)渠(qu)道、多(duo)類(lei)型數(shu)據(ju)，如何準(zhun)確理解用戶意圖、并(bing)將自然(ran)語言(yan)問(wen)題正確映射到底層數(shu)據(ju)結構，是落地(di)的(de)核心(xin)挑戰之(zhi)一

2. 分(fen)析(xi)場景多樣，需(xu)(xu)求動態變化：用戶的分(fen)析(xi)需(xu)(xu)求覆(fu)蓋從(cong)日常報表分(fen)析(xi)到異(yi)常監測(ce)、從(cong)歸因分(fen)析(xi)到策略優化，場景差(cha)異(yi)大、鏈路復雜

王世飛 四川書(shu)亦(yi)餐飲管理有限公(gong)司 CIO

個人介紹：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(ti)目：拒絕低效分析(xi)！看 AI Agent 如何幫(bang)助茶(cha)飲連鎖實現數(shu)倍分析(xi)提效