ChatBI сложно реализовать. Давайте посмотрим на новую ситуацию с анализом корпоративных данных в SwiftAgent.
2024-08-07
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
В настоящее время цифровая трансформация стала ключевым словом в развитии предприятий, однако многие предприятия столкнулись с трудностями при практическом применении. Появление крупных моделей стало ключом к изменению судьбы предприятий, ускорению поступления инклюзивных данных и значительному снижению порога для анализа данных. Благодаря использованию больших моделей многие продукты ChatBI были созданы на основе подхода «большая модель + BI». В настоящее время ChatBI на рынке обычно использует технический путь NL2SQL, то есть прямую генерацию SQL с помощью больших языковых моделей. проблемы с данными. Точность запроса низкая (точность составляет 60%-70%, а при запросе по таблицам она будет еще ниже), а калибр данных неравномерен.
Shushi Technology — ведущий в отрасли поставщик продуктов для анализа данных. Она обладает профессиональным опытом и техническим потенциалом в областях крупного финансирования, высокотехнологичного производства и розничной торговли. Она всегда стремилась использовать данные и технологии искусственного интеллекта для решения корпоративных проблем. . Интеллектуальный помощник по анализу (SwiftAgent), запущенный Shushi, может эффективно решать сложные проблемы ChatBI, позволяя каждому стать аналитиком данных.
На примере сотрудничества Shushi Technology мы можем получить представление о важной роли, которую SwiftAgent играет в анализе корпоративных данных. В ходе цифровой трансформации городской коммерческий банк столкнулся с такими проблемами, как неспособность существующих информационных продуктов быстро предоставлять комплексные подробные выводы, сложные требования к повторным отчетам, узкие места, вызванные временными потребностями, а также непоследовательные калибры индикаторов. На основе большой базы данных компания Shushi Technology завершила внедрение индикаторной платформы, унифицировала все калибры индикаторов и источники данных, а также создала интеллектуальный помощник анализа данных SwiftAgent, чтобы снизить порог для анализа данных сотрудников.
В бизнес-анализе мы часто задаем вопросы типа: «Каковы кредитные данные нашего банка за последнее время?» Это очень расплывчатый вопрос: это последняя неделя или последний месяц? Кроме того, банки имеют различные отраслевые планы и терминологию. Например: SDR (специальные права заимствования), имена собственные требуют дальнейшего пояснения. Другой пример — слово «спектакль». Люди в разных ролях имеют разные определения и объяснения.
Решение Shushi Technology учитывает измерение времени, отраслевые имена собственные и может даже понимать расплывчатую семантику, прогнозирует вопросы, которые сотрудники могут задать в разные периоды времени, рекомендует общие вопросы и создает персонализированную модель GASO. Наконец, он также может предоставлять предложения по планированию, как профессиональные аналитики, чтобы помочь сотрудникам более эффективно завершить процесс принятия решений.
Таким образом, технология Shushi SwiftAgent может решить многие проблемы, с которыми сталкиваются предприятия в области анализа данных и принятия решений, такие как запутанные стандарты данных, нехватка специалистов по обработке данных, высокий порог использования данных, длительный цикл анализа данных и невозможность расширения возможностей. деловые решения и т.д.
В новом поколении SwiftAgent2.0 также реализовано пять крупных обновлений на основе старой версии, включая создание единого семантического слоя, создание простых для понимания семантических слоев, таких как отраслевые стандарты, индикаторы и ярлыки для людей и товары и т. д., чтобы решить проблему унификации данных различных отделов предприятия. Пользователи могут эффективно избегать повреждения данных и других явлений и направлять пользователей более естественным образом. Пользователи также могут снова задавать вопросы в соответствии с. подсказки и, наконец, получить контент анализа, который они действительно хотят видеть. Пользователи также могут «нравиться» и «не нравится» «Усовершенствованное обучение на основе обратной связи, постоянное исправление ошибок, корректировка запросов и повышение точности анализа; непрерывное размышление и обучение могут. накапливать прошлый анализ вопросов и ответов пользователей в базе знаний и напрямую анализировать аналогичные сценарии запросов других пользователей в будущем. Делать выводы и обеспечивать процессы мышления, связанные с передачей данных из нескольких источников, реализовать доступ к разнородным данным из нескольких источников. получать доступ только к хранилищам данных, но также импортировать неструктурированные данные, такие как текст, Excel, изображения, аудио и видео и т. д., для реализации идей комплексного анализа. Механизм ускорения вычислений данных использует оригинальный механизм ускорения вычислений данных Shushi Technology, который может реализовать секунду; Запрос данных на уровне и действительно реализовать взаимодействие человека с компьютером в реальном времени.
