ChatBI é difícil de implementar. Vejamos a nova situação de análise de dados corporativos do SwiftAgent.
2024-08-07
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Atualmente, a transformação digital tornou-se uma palavra-chave para o desenvolvimento empresarial, mas muitas empresas encontraram dificuldades na aplicação prática. A emergência de grandes modelos tornou-se a chave para mudar o destino das empresas, acelerando a chegada de dados inclusivos e reduzindo enormemente o limiar para a análise de dados. Com a aplicação de modelos grandes, muitos produtos ChatBI foram derivados da abordagem modelo grande + BI. Atualmente, o ChatBI no mercado costuma utilizar o caminho técnico NL2SQL, ou seja, gerar SQL diretamente por meio de modelos de linguagem grandes. problemas de dados. A precisão da consulta é baixa (a precisão é de 60% a 70% e será ainda menor se você consultar tabelas) e o calibre dos dados não é uniforme.
Shushi Technology é o fornecedor líder do setor de produtos de inteligência de dados. Possui insights profissionais e força técnica nas áreas de grandes finanças, manufatura de alta tecnologia e pan-varejo. Sempre esteve comprometida em usar dados e tecnologia de IA para resolver problemas corporativos. . O assistente de análise inteligente (SwiftAgent) lançado pela Shushi pode resolver com eficácia os difíceis problemas do ChatBI, possibilitando que todos se tornem analistas de dados.
Tomando como exemplo o caso da cooperação da Shushi Technology, podemos ter uma ideia do importante papel que o SwiftAgent desempenha na análise de dados corporativos. Durante a sua transformação digital, um banco comercial municipal encontrou problemas como a incapacidade dos produtos de dados existentes de produzir rapidamente conclusões aprofundadas de ponta a ponta, requisitos complexos para relatórios repetidos, estrangulamentos causados por necessidades temporárias e calibres de indicadores inconsistentes. Com base na grande base de dados, a Shushi Technology concluiu a implementação da plataforma de indicadores, unificou todos os calibres de indicadores e fontes de dados e construiu o assistente de análise de dados inteligente SwiftAgent para reduzir o limite para análise de dados de funcionários.
Na análise de negócios, muitas vezes fazemos perguntas como: “Como estão os dados de crédito do nosso banco recentemente?” Esta é uma pergunta muito vaga. Além disso, os bancos possuem vários planos e terminologias do setor. Por exemplo: SDR (Direitos Especiais de Saque), nomes próprios precisam de mais explicações. Outro exemplo é a palavra “desempenho”. Pessoas em funções diferentes têm definições e explicações diferentes.
A solução da Shushi Technology leva em consideração a dimensão temporal, nomes próprios do setor e pode até compreender semânticas vagas, prevê questões que os funcionários podem levantar em diferentes períodos de tempo, recomenda perguntas comuns e constrói um modelo GASO personalizado. Por fim, também pode fornecer sugestões de planejamento, como analistas profissionais, para ajudar os funcionários a concluir o processo de tomada de decisão com mais eficiência.
Em resumo, Shushi Technology SwiftAgent pode resolver muitos problemas encontrados pelas empresas na área de análise de dados e tomada de decisão, como padrões de dados confusos, falta de talentos em dados, alto limite para uso de dados, longo ciclo de análise de dados e incapacidade de capacitar decisões de negócios, etc.
A nova geração do SwiftAgent2.0 também alcançou cinco grandes atualizações baseadas na versão antiga, incluindo a construção de uma camada semântica unificada, o estabelecimento de camadas semânticas fáceis de entender, como padrões da indústria, indicadores e rótulos para pessoas e bens, etc., para resolver o problema de unificar o calibre dos dados de vários departamentos da empresa. Evitar efetivamente a corrupção de dados e outros fenômenos, os usuários podem intervir e orientar os usuários de uma forma mais natural. prompts e, finalmente, obter o conteúdo de análise que realmente desejam ver. Os usuários também podem "gostar" e "não gostar" "Aprendizagem aprimorada com base no feedback, corrigindo erros constantemente, ajustando consultas e tornando a análise mais precisa; reflexão e aprendizado contínuos podem. acumular análises anteriores de perguntas e respostas de todos os usuários na base de conhecimento e analisar diretamente cenários de investigação semelhantes de outros usuários no futuro. Fornecer conclusões e fornecer processos de pensamento para realizar acesso a dados heterogêneos de várias fontes. acessar apenas armazéns de dados, mas também importar conhecimento não estruturado, como texto, Excel, imagens, áudio e vídeo, etc., para atender a ideias de análise abrangentes; consulta de dados em nível e realmente realiza a interação homem-computador em tempo real.
