在數(shù)據(jù)驅(qū)動(dòng)的時(shí)代，數(shù)據(jù)分析已成為各行各業(yè)決策的關(guān)鍵。然而，各行各業(yè)客戶在數(shù)據(jù)分析過(guò)程中仍面臨諸多挑戰(zhàn)。目前市面上的ChatBI通常使用的是NL2SQL的技術(shù)路徑，即通過(guò)大語(yǔ)言模型直接生成SQL，這種解決方案容易出現(xiàn)數(shù)據(jù)查詢準(zhǔn)確率低，通常準(zhǔn)確率在60%-70%，如果跨表查詢或者多表關(guān)聯(lián)查詢準(zhǔn)確率會(huì)更低。數(shù)勢(shì)科技SwiftAgent在大模型和AI Agent加持下，通過(guò)建立業(yè)務(wù)指標(biāo)、人貨場(chǎng)標(biāo)簽等易于理解的語(yǔ)義層，將自然語(yǔ)言解析到指標(biāo)和標(biāo)簽語(yǔ)義（Natural Language to Metrics&Label），即可實(shí)現(xiàn)相比ChatBI更準(zhǔn)確的數(shù)據(jù)洞察，解決大模型對(duì)底層業(yè)務(wù)語(yǔ)義難理解的問(wèn)題。

統(tǒng)一語(yǔ)義層構(gòu)建 VS 數(shù)據(jù)分析不準(zhǔn)確

數(shù)勢(shì)科技SwiftAgent 構(gòu)建了統(tǒng)一的指標(biāo)與標(biāo)簽語(yǔ)義層，即通過(guò)自然語(yǔ)言到指標(biāo)+標(biāo)簽語(yǔ)義（Natural Language to Metrics&Label）即可實(shí)現(xiàn)數(shù)據(jù)洞察，解決大模型對(duì)底層業(yè)務(wù)語(yǔ)義難理解的問(wèn)題，同時(shí)建立各行業(yè)標(biāo)準(zhǔn)、指標(biāo)、人貨場(chǎng)標(biāo)簽等易于理解的語(yǔ)義層。ChatBI通常使用的是NL2SQL的技術(shù)路徑，即通過(guò)大語(yǔ)言模型直接生成SQL缺少了指標(biāo)和標(biāo)簽層，準(zhǔn)確度相差甚遠(yuǎn)。

多源異構(gòu)數(shù)據(jù)鏈接 VS 數(shù)據(jù)結(jié)構(gòu)與維度單一化

數(shù)勢(shì)科技SwiftAgent不僅可以將指標(biāo)、標(biāo)簽一體化，基于人群的多維交叉分析，還實(shí)現(xiàn)了多源異構(gòu)的數(shù)據(jù)接入，導(dǎo)入文本、Excel、圖片、音視頻等非結(jié)構(gòu)化知識(shí)，基于新聞、政策解讀、行業(yè)報(bào)告等多維度了解數(shù)據(jù)背后的“因果"，如：“導(dǎo)致黃金ETF產(chǎn)品持倉(cāng)量持續(xù)升高的因素或?yàn)槊绹?guó)勞工市場(chǎng)有降溫跡象，減息預(yù)期加強(qiáng)，推動(dòng)金價(jià)上漲等”。SwiftAgent 多源異構(gòu)數(shù)據(jù)的鏈接AI更“懂”數(shù)據(jù)，提供用戶全面分析思路，大幅加強(qiáng)決策準(zhǔn)確性。

用戶可干預(yù) VS 人機(jī)融合的問(wèn)題

在以往在人機(jī)交互溝通中，如用戶無(wú)法判定明確需求，進(jìn)行模糊化搜索，往往會(huì)出現(xiàn)所答非所問(wèn)的現(xiàn)象，數(shù)勢(shì)科技SwiftAgent 可通過(guò)更自然的方式引導(dǎo)用戶，并且將AI思考過(guò)程白盒化，用戶可以清晰的看到它的“大腦”。用戶可以通過(guò)“點(diǎn)贊”和“踩”的反饋進(jìn)行強(qiáng)化學(xué)習(xí)，不斷糾正錯(cuò)誤、調(diào)整查詢，從而更懂用戶所想所需，也讓分析更準(zhǔn)確。如當(dāng)用戶提出“我想看一下最近的銷售情況?！边@種模糊的數(shù)據(jù)查詢，SwiftAgent會(huì)給出“最近 7 天銷售額”、“本月北京地區(qū)銷售額”等選項(xiàng)供用戶選擇，用戶還可以根據(jù)提示重新提問(wèn)，最終得到他真正想要看的分析內(nèi)容。ChatBI則無(wú)法在互動(dòng)環(huán)節(jié)有任何用戶可干預(yù)的能力與場(chǎng)景，無(wú)法更懂用戶使用需求。

持續(xù)反思學(xué)習(xí) VS 學(xué)習(xí)迭代停滯

SwiftAgent可將所有使用用戶過(guò)往的問(wèn)答分析沉淀到知識(shí)庫(kù)，在之后其他用戶相似的問(wèn)詢場(chǎng)景中，直接提供結(jié)論并提供思考過(guò)程。這種不斷反思學(xué)習(xí)的能力，也發(fā)揮了大模型最 大的特點(diǎn)。隨著時(shí)間的推移不斷進(jìn)步，SwiftAgent持續(xù)反思學(xué)習(xí)讓AI更聰明，全面貼近業(yè)務(wù)需求。ChatBI雖然接入了大模型但無(wú)Agent的能力，無(wú)法只需反思學(xué)習(xí)及白盒化了解其思考過(guò)程。

數(shù)據(jù)計(jì)算加速引擎 VS 計(jì)算查詢效率低及性能弱

SwiftAgent采用了數(shù)勢(shì)科技創(chuàng)舉的數(shù)據(jù)計(jì)算加速引擎，可以實(shí)現(xiàn)秒級(jí)數(shù)據(jù)查詢，真正實(shí)現(xiàn)實(shí)時(shí)的人機(jī)交互。底層選用了StarRocks、Doris等數(shù)據(jù)分析引擎作為執(zhí)行引擎，在大寬表查詢、跨模型關(guān)聯(lián)查詢和物化視圖等方面性能更好；結(jié)合對(duì)數(shù)據(jù)加工和使用場(chǎng)景進(jìn)行了一系列優(yōu)化，提供基于視圖的預(yù)計(jì)算能力和基于預(yù)計(jì)算結(jié)果的查詢優(yōu)化能力；數(shù)據(jù)虛擬化技術(shù)，將數(shù)據(jù)定義和物理數(shù)據(jù)（業(yè)務(wù)）解耦，實(shí)現(xiàn)指標(biāo)/標(biāo)簽靈活加工使用，無(wú)需排期開(kāi)發(fā)。

以往一線業(yè)務(wù)人員想要了解數(shù)據(jù)情況，不得不經(jīng)歷繁瑣的層級(jí)審批和流程，這不僅消耗了大量的時(shí)間成本，還使得數(shù)據(jù)獲取變得復(fù)雜而低效。此外，傳統(tǒng)的數(shù)據(jù)分析往往是手動(dòng)的，需要用戶根據(jù)數(shù)據(jù)去發(fā)現(xiàn)問(wèn)題、提出假設(shè)并進(jìn)行驗(yàn)證。通過(guò)引入AI Agent，企業(yè)人員可以直達(dá)數(shù)據(jù)，極大地降低了數(shù)據(jù)使用的門檻，實(shí)現(xiàn)了數(shù)據(jù)的民主化。這種普惠化的數(shù)據(jù)使用方式，打破了傳統(tǒng)的數(shù)據(jù)壁壘，為企業(yè)的數(shù)字化轉(zhuǎn)型注入了新的活力，無(wú)疑將為企業(yè)帶來(lái)更有效的運(yùn)營(yíng)和更優(yōu)質(zhì)的服務(wù)。

（推廣）