ChatBI est difficile à mettre en œuvre. Examinons la nouvelle situation de SwiftAgent en matière d'analyse des données d'entreprise.
2024-08-07
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Actuellement, la transformation numérique est devenue un mot clé pour le développement des entreprises, mais de nombreuses entreprises ont rencontré des difficultés dans leur application pratique. L’émergence de grands modèles est devenue la clé pour changer le destin des entreprises, en accélérant l’arrivée de données inclusives et en abaissant considérablement le seuil d’analyse des données. Avec l'application de grands modèles, de nombreux produits ChatBI sont dérivés de l'approche grand modèle + BI. Actuellement, ChatBI sur le marché utilise généralement la voie technique NL2SQL, c'est-à-dire qu'elle génère directement du SQL via de grands modèles de langage. problèmes de données. La précision de la requête est faible (la précision est de 60 % à 70 %, et elle sera encore plus faible si vous interrogez plusieurs tables) et le calibre des données n'est pas uniforme.
Shushi Technology est le principal fournisseur de produits d'intelligence de données du secteur. Il possède des connaissances professionnelles et une force technique dans les domaines de la grande finance, de la fabrication de haute technologie et de la vente au détail. Il s'est toujours engagé à utiliser la technologie des données et de l'IA pour résoudre les problèmes des entreprises. . L'assistant d'analyse intelligent (SwiftAgent) lancé par Shushi peut résoudre efficacement les problèmes difficiles de ChatBI, permettant à chacun de devenir analyste de données.
En prenant le cas de la coopération Shushi Technology comme exemple, nous pouvons avoir un aperçu du rôle important que joue SwiftAgent dans l'analyse des données d'entreprise. Au cours de sa transformation numérique, une banque commerciale urbaine a rencontré des problèmes tels que l'incapacité des produits de données existants à produire rapidement des conclusions approfondies de bout en bout, des exigences complexes en matière de rapports répétés, des goulots d'étranglement causés par des besoins temporaires et des calibres d'indicateurs incohérents. Sur la base de la base de données volumineuse, Shushi Technology a achevé la mise en œuvre de la plate-forme d'indicateurs, unifié tous les calibres d'indicateurs et sources de données et créé l'assistant d'analyse de données intelligent SwiftAgent pour abaisser le seuil d'analyse des données des employés.
En analyse commerciale, nous posons souvent des questions telles que : « Comment sont les données de crédit de notre banque récemment ? » C'est une question très vague. S'agit-il de la semaine dernière ou du mois dernier ? En outre, les banques ont des plans et une terminologie sectorielle variés. Par exemple : DTS (droits de tirage spéciaux), les noms propres nécessitent des explications supplémentaires. Un autre exemple est le mot « performance ». Les personnes occupant différents rôles ont des définitions et des explications différentes.
La solution de Shushi Technology prend en compte la dimension temporelle, les noms propres du secteur et peut même comprendre une sémantique vague, prédire les questions que les employés peuvent soulever à différentes périodes, recommander des questions courantes et construire un modèle GASO personnalisé. Enfin, il peut également fournir des suggestions de planification telles que des analystes professionnels pour aider les employés à mener à bien le processus décisionnel plus efficacement.
En résumé, Shushi Technology SwiftAgent peut résoudre de nombreux problèmes rencontrés par les entreprises dans le domaine de l'analyse des données et de la prise de décision, tels que des normes de données confuses, le manque de talents en matière de données, un seuil élevé d'utilisation des données, un long cycle d'analyse des données et l'incapacité d'autonomiser. décisions commerciales, etc.
La nouvelle génération de SwiftAgent2.0 a également réalisé cinq mises à niveau majeures basées sur l'ancienne version, notamment la construction d'une couche sémantique unifiée, l'établissement de couches sémantiques faciles à comprendre telles que les normes industrielles, les indicateurs et les étiquettes pour les personnes et marchandises, etc., pour résoudre le problème de l'unification du calibre des données des différents départements de l'entreprise. Éviter efficacement la corruption des données et d'autres phénomènes ; les utilisateurs peuvent intervenir et guider les utilisateurs de manière plus naturelle. invites, et enfin obtenir le contenu d'analyse qu'ils souhaitent vraiment voir. Les utilisateurs peuvent également « aimer » et « ne pas aimer » « Un apprentissage amélioré basé sur les commentaires, corrigeant constamment les erreurs, ajustant les requêtes et rendant l'analyse plus précise ; une réflexion et un apprentissage continus peuvent. accumuler l'analyse des questions et réponses passées de tous les utilisateurs dans la base de connaissances et analyser directement les scénarios d'enquête similaires des autres utilisateurs à l'avenir. Fournir des conclusions et fournir des processus de réflexion pour réaliser un accès aux données hétérogènes multi-sources. Accédez uniquement aux entrepôts de données, mais importez également des connaissances non structurées telles que du texte, Excel, des images, de l'audio et de la vidéo, etc., pour répondre à des idées d'analyse complètes. Le moteur d'accélération du calcul des données adopte le moteur d'accélération du calcul des données original de Shushi Technology, qui peut réaliser une seconde étape. -Requête de données au niveau et réaliser véritablement une interaction homme-machine en temps réel.
