Το ChatBI είναι δύσκολο να εφαρμοστεί. Ας δούμε τη νέα κατάσταση της ανάλυσης εταιρικών δεδομένων του SwiftAgent.
2024-08-07
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Επί του παρόντος, ο ψηφιακός μετασχηματισμός έχει γίνει λέξη-κλειδί για την ανάπτυξη των επιχειρήσεων, αλλά πολλές επιχειρήσεις έχουν αντιμετωπίσει δυσκολίες στην πρακτική εφαρμογή. Η εμφάνιση μεγάλων μοντέλων έχει γίνει το κλειδί για την αλλαγή της μοίρας των επιχειρήσεων, την επιτάχυνση της άφιξης δεδομένων χωρίς αποκλεισμούς και τη σημαντική μείωση του ορίου για την ανάλυση δεδομένων. Με την εφαρμογή μεγάλων μοντέλων, πολλά προϊόντα ChatBI έχουν προέλθει από την προσέγγιση μεγάλου μοντέλου + BI Επί του παρόντος, το ChatBI στην αγορά χρησιμοποιεί συνήθως την τεχνική διαδρομή NL2SQL, δηλαδή δημιουργεί απευθείας SQL μέσω μεγάλων μοντέλων γλώσσας Προβλήματα δεδομένων Η ακρίβεια του ερωτήματος είναι χαμηλή (η ακρίβεια είναι 60%-70% και θα είναι ακόμη χαμηλότερη αν κάνετε ερώτημα σε όλους τους πίνακες) και το διαμέτρημα δεδομένων δεν είναι ομοιόμορφο.
Η Shushi Technology είναι ο κορυφαίος πάροχος προϊόντων ευφυΐας δεδομένων στον κλάδο. Διαθέτει επαγγελματικές γνώσεις και τεχνική δύναμη στους τομείς της μεγάλης χρηματοδότησης, της κατασκευής υψηλής τεχνολογίας και της πανεπιστημιακής λιανικής . Ο έξυπνος βοηθός ανάλυσης (SwiftAgent) που ξεκίνησε η Shushi μπορεί να λύσει αποτελεσματικά τα δύσκολα προβλήματα του ChatBI, δίνοντας τη δυνατότητα σε όλους να γίνουν αναλυτές δεδομένων.
Λαμβάνοντας ως παράδειγμα την περίπτωση της συνεργασίας στην τεχνολογία Shushi, μπορούμε να πάρουμε μια γεύση του σημαντικού ρόλου που παίζει το SwiftAgent στην ανάλυση δεδομένων επιχειρήσεων. Κατά τη διάρκεια του ψηφιακού μετασχηματισμού της, μια εμπορική τράπεζα της πόλης αντιμετώπισε προβλήματα όπως η αδυναμία των υπαρχόντων προϊόντων δεδομένων να παράγουν γρήγορα εμπεριστατωμένα συμπεράσματα από άκρο σε άκρο, περίπλοκες απαιτήσεις για επαναλαμβανόμενες αναφορές, σημεία συμφόρησης που προκαλούνται από προσωρινές ανάγκες και ασυνεπείς διαμετρήσεις δεικτών. Με βάση τη μεγάλη βάση δεδομένων, η Shushi Technology ολοκλήρωσε την υλοποίηση της πλατφόρμας δεικτών, ενοποίησε όλα τα διαμετρήματα δεικτών και τις πηγές δεδομένων και κατασκεύασε τον έξυπνο βοηθό ανάλυσης δεδομένων SwiftAgent για να μειώσει το όριο για την ανάλυση δεδομένων εργαζομένων.
Στην επιχειρηματική ανάλυση, συχνά θέτουμε ερωτήσεις όπως: "Πώς είναι τα πιστωτικά δεδομένα της τράπεζάς μας πρόσφατα; Αυτή είναι μια πολύ ασαφής ερώτηση; Είναι η τελευταία εβδομάδα ή ο τελευταίος μήνας;" Επιπλέον, οι τράπεζες έχουν διάφορα βιομηχανικά σχέδια και ορολογία. Για παράδειγμα: SDR (Ειδικά Τραβηγμένα Δικαιώματα), τα σωστά ουσιαστικά χρειάζονται περαιτέρω επεξήγηση. Ένα άλλο παράδειγμα είναι η λέξη «παράσταση» Οι άνθρωποι σε διαφορετικούς ρόλους έχουν διαφορετικούς ορισμούς και εξηγήσεις.
Η λύση της Shushi Technology λαμβάνει υπόψη τη χρονική διάσταση, τα κύρια ουσιαστικά της βιομηχανίας και μπορεί ακόμη και να κατανοήσει ασαφή σημασιολογία, προβλέπει ερωτήσεις που μπορεί να εγείρουν οι εργαζόμενοι σε διαφορετικές χρονικές περιόδους, προτείνει κοινές ερωτήσεις και δημιουργεί ένα εξατομικευμένο μοντέλο GASO. Τέλος, μπορεί επίσης να παρέχει προτάσεις σχεδιασμού όπως επαγγελματίες αναλυτές για να βοηθήσει τους υπαλλήλους να ολοκληρώσουν τη διαδικασία λήψης αποφάσεων πιο αποτελεσματικά.
Συνοπτικά, το Shushi Technology SwiftAgent μπορεί να λύσει πολλά προβλήματα που αντιμετωπίζουν οι επιχειρήσεις στον τομέα της ανάλυσης δεδομένων και της λήψης αποφάσεων, όπως σύγχυση προτύπων δεδομένων, έλλειψη ταλέντων δεδομένων, υψηλό όριο για χρήση δεδομένων, μεγάλος κύκλος ανάλυσης δεδομένων και αδυναμία ενδυνάμωσης επιχειρηματικές αποφάσεις κ.λπ.
Η νέα γενιά του SwiftAgent2.0 πέτυχε επίσης πέντε σημαντικές αναβαθμίσεις που βασίζονται στην παλιά έκδοση, συμπεριλαμβανομένης της κατασκευής ενός ενιαίου σημασιολογικού επιπέδου, της δημιουργίας ευνόητων σημασιολογικών επιπέδων όπως βιομηχανικά πρότυπα, δείκτες και ετικέτες για άτομα και αγαθά, κ.λπ., για την επίλυση του προβλήματος της ενοποίησης των δεδομένων των διαφόρων τμημάτων της επιχείρησης ζητά και, τέλος, λαμβάνουν το περιεχόμενο της ανάλυσης που πραγματικά θέλουν να δουν. Οι χρήστες μπορούν επίσης να "αρέσουν" και να "δεν μου αρέσουν" "Βελτιωμένη μάθηση βάσει ανατροφοδότησης, διορθώνοντας συνεχώς σφάλματα, προσαρμόζοντας τα ερωτήματα και κάνουν την ανάλυση πιο ακριβή. Ο συνεχής προβληματισμός και η μάθηση μπορούν. Συσσωρεύουν όλες τις προηγούμενες αναλύσεις ερωτήσεων και απαντήσεων στη βάση γνώσεων και αναλύουν άμεσα παρόμοια σενάρια έρευνας άλλων χρηστών Πρόσβαση μόνο σε αποθήκες δεδομένων, αλλά και εισαγωγή μη δομημένης γνώσης, όπως κείμενο, Excel, εικόνες, ήχος και βίντεο, κ.λπ., για να ανταποκριθεί σε ολοκληρωμένες ιδέες ανάλυσης. -Επίπεδο αναζήτησης δεδομένων και πραγματοποίηση πραγματικής αλληλεπίδρασης ανθρώπου-υπολογιστή σε πραγματικό χρόνο.
